Sampers4 Skattning av regionala efterfrågemodeller

Transkript

1 Sampers4 Skattning av regionala efterfrågemodeller Ida Kristoffersson, VTI Svante Berglund, Sandra Samuelsson, Peter Almström, WSP Staffan Algers, TPMod Keywords: Sampers, Efterfrågemodell, Resegenerering, Körkortsinnehav, Bilinnehav, Färdmedelsval, Destinationsval

2 Förord Denna rapport har tagits fram som slutrapportering av projektet Sampers4 - fortsättning finansierat av Trafikverket, som genomförts under hösten 2017 och våren Detta projekt har tagit vid där tidigare omskattningsprojekt för Sampers regionala efterfrågemodeller slutat. De största förändringarna och förbättringarna i denna senaste omskattning är: - att även de som inte angivit någon inkomst i RVU har fått en inkomst påkodad, - att hushållsvariabler kunnat inkluderas i skattningen på grund av framsteg inom framtagning av syntetisk befolkning med hushållsdata som kan användas vid implementering, - att konsistensen mellan utbud och efterfrågan förbättrats genom att impedansen från kollektivtrafikutläggningen använts i skattning av efterfrågemodeller för färdmedelsval. Projektet Sampers4 fortsättning har avgränsats till att gälla skattning av regionala efterfrågemodeller. Implementering av modellerna har påbörjats i tidigare omskattningsprojekt, men har inte ingått i detta projekt. Vi inser att mycket av vårt arbete i detta projekt inte kunnat göras utan det arbete som gjorts i tidigare omskattningsprojekt. Ett extra tack ges därför till Daniel Jonsson (KTH), Olivier Canella (WSP) och Joacim Thelin (SWECO), som varit med i tidigare omskattningsprojekt, men som inte är författare till denna rapport. Stockholm, september 2018 Ida Kristoffersson (projektledare Sampers4 - fortsättning )

3 Innehåll 1. Inledning Rapportens upplägg Varför en omskattning behövs Uppdelning i regioner, färdmedel och ärenden Metod Modellstruktur för hela Sampers4 efterfrågemodell Färdmedels- och destinationsvalsmodellen Resegenereringsmodellen Körkorts- och bilinnehavsmodellen Resultat Skattning av modeller för färdmedels- och destinationsval Arbete Rekreation Dagligvaruinköp Sällaninköp Övergripande om skolresor Grundskola Gymnasium Vuxenutbildning Besök Bostadsbaserade tjänsteresor Arbetsplatsbaserade tjänsteresor Skjutsa Service, barntillsyn och vård (SeBaVa) Övriga resor Intern validering av modellerna för färdmedels- och destinationsval Elasticiteter

4 3.17 Sammanställning av socio-ekonomiska variabler per ärende Resultat - Skattning av resegenereringsmodell Logsumma Inkomstvariabler Demografi Helg och säsong Enresemönster Resmönster med två resor Resmönster med tre ärenden Resmönster med fyra resor Arbetsplatsbaserade tjänsteresor Avstämning mot data Resultat Skattning av körkort- och bilinnehavsmodell Indata Förekomst av bil i hushållet för personer under 18 år Innehav av bilar och körkort Jämförelse mot data Personer under 18 i bilhushåll Simuleringar av ändringar Slutsatser Framtida förbättringar av Sampers Förbättringar på kort sikt Förbättringar på lång sikt Referenser Bilaga 1: Hantering av personer utan uppgiven inkomst i RES 05/ Bilaga 2: Area per trafikzon Bilaga 3: Detaljerade skattningsresultat för resegenerering 149 Bilaga 4: Dataframtagning till omskattning av Sampers

5 1. Inledning 1.1 Rapportens upplägg Denna rapport beskriver skattning av regionala efterfrågemodeller till transportmodellen Samers4. Ambitionen är att beskriva skattningens alla steg, d.v.s. framtagning av skattningsdata, specificering av modellerna, genomförande av skattning och de efterfrågemodeller skattningen resulterat i. Detta första kapitel beskriver bakgrunden till skattningsarbetet och hur modellen delats in i regioner, färdmedel och ärenden. Kapitel 2 specificerar modellerna, d.v.s. beskriver strukturen hos och vilka typer av variabler som ingår i de tre huvudtyper av modeller som modellsystemet består av: färdmedels- och destinationsval, resegenerering, samt körkort- och bilinnehav. I Kapitel 3 presenteras resultat av skattning av färdmedels- och destinationsvalsmodellerna. Kapitel 4 beskriver skattningsresultat för resegenerering och Kapitel 5 skattningsresultat för körkort- och bilinnehav. Kapitel 6 drar slutsatser av arbetet och Kapitel 7 föreslår framtida förbättringar av modellerna. Till rapporten finns fyra bilagor. Bilaga 1 beskriver hur inkomst har imputerats för de respondenter som inte har uppgivit inkomst i resvaneundersökningen. Metoden för att ta fram trafikzonernas area beskrivs i Bilaga 2. Bilaga 3 visar detaljerade skattningsresultat för resegenereringsmodellen. Bilaga 4 beskriver hur data från resvaneundersökningen RES05/06, tillsammans med utbudsdata och information om målzonerna, har bearbetats till data som färdmedels- och destinationsvalsmodeller kan skattas på. 1.2 Varför en omskattning behövs I dagsläget (2018) ingår Sampers 3.4 (Trafikverket 2018) i det officiella Samperssystemet som Trafikverket tillhandahåller. De fem regionala modellerna som ingår i Sampers 3.4 består av sex ärenden: Arbetsresor, Besöksresor, Rekreation, Skolresor, Tjänsteresor samt Övriga resor. Notera att inköpsresor här ingår i övriga resor. Modellen för övriga resor innehåller dock målpunktsvariabler för handel. Dessa regionala modeller skattades på resvaneundersökningarna från (SIKA 2000). De data som Sampers är skattade på är således runt 20 år gamla. Dessutom är de modeller som används i dagsläget skattade med så kallad destinationssampling dvs. man låter valmängden i skattningen utgöras av en delmängd av de verkliga zonerna. Med ny programvara är sampling inte längre nödvändigt utan vi har skattat modeller på samtliga tillgängliga alternativ i destinationsvalet. Utöver detta har man med dagens Sampers stött på problem med inkonsistens där en förbättring i kollektivtrafikutbud givit en försämring av samhällsekonomisk nytta i den samhällsekonomiska kalkylen. Detta problem har tagits hänsyn till i omskattningen och konsistensen mellan utbud och efterfrågan för kollektivtrafik har förbättrats genom att impedansen från kollektivtrafiknätutläggningen lyfts in som variabel i efterfrågemodellen, istället för att som tidigare skatta parametrar för första väntetid, anslutningstid etc. som skiljt sig från motsvarande parametrar i utläggningen. En viktig del av omskattningsarbetet är också skattningen av modeller för körkorts- och bilinnehav. Den bilinnhavsmodell som finns i Sampers 3.4 används inte i dagsläget 5

6 eftersom den ger orimliga resultat för prognosår efter 2030 (Trafikverket 2018). I och med omskattningen kommer en ny modell för bilinnehav att finnas tillgänglig. En nyligen genomförd validering av Sampers prognoser genom åren (Andersson, Brundell-Freij, och Eliasson 2017) visade en överskattning av biltrafikökning, men det mesta av denna överskattning förklaras av felaktiga antaganden om indata till modellen. Trafiktillväxten har dock beskrivits som ett problem i nuvarande version av Sampers (3.4) vilket gör att i samband med omskattningen av modellen har även resegenereringen omarbetats. En egenskap i Sampers 3.4 är att det finns tydliga faktorer som kommer att öka resandet (under antagande om ekonomisk tillväxt) men inga eller få bromsar som kan slå till. Det man ofta pratar om är tidsbudget och trängsel. Tidsbudget hanteras inte av modellerna och hög trängsel underskattas i utbudsmodellerna för biltrafiken och hanteras inte överhuvudtaget kollektivtrafiken. I några av nuvarande modeller förekommer regionala dummyvariabler som gör att antalet resor i storstadsområdena blir lägre än i andra regioner. I det avseendet finns en broms som svarar på effekter av urbanisering. Formuleringen med resegenerering per färdmedel som är oberoende mellan olika ärenden ger en risk att för prognoser på lång sikt leda till att en orealistiskt stor andel av dygnet ägnas åt resor. En marginell ökning av varje ärende för sig är inte ett problem men sammantaget når befolkningen kanske gränser där tidsrestriktionerna sätter in. För att säkra att inte antalet resor ökar på oönskat sätt ska vi pröva att formulera resegenereringsmodellen lite annorlunda jämfört med nuvarande modell. Tanken är att generera resmönster eller kombinationer av resor så att beroenden uppstår mellan olika resor och ärenden istället för att varje ärende genereras var för sig. De långväga modellerna är av senare datum och skattade på RES 05/06 (SIKA 2007). Dessa skattades med delvis nya metoder och nya insikter om funktionsform användes. Modellen för de långväga resorna kan sägas var en generation modernare än de regionala modellerna. De är dock skattade med samplade destinationer. De långväga modellerna har inte skattats om i detta projekt. 6

7 1.3 Uppdelning i regioner, färdmedel och ärenden I omskattningen av Sampers har regionindelningen med fem regioner bevarats: Samm (1), Väst (2), Sydost (3), Skåne (4) och Palt (5), se Figur 1. Även indelningen i fem färdmedel är samma som tidigare: Bil som förare (B), Bil som passagerare 1 (P), Kollektivtrafik (K), Cykel (C) och Gång (G). När det gäller destinationer är en stor skillnad är att nuvarande programvara kan hantera alla destinationer så att sampling av destinationer inte längre behöver göras i skattningen. Utöver detta är den största förändringen att antalet ärenden dubblerats från sex till tolv stycken. Palt Väst Samm Skåne Syd-öst Figur 1: Regionindelning. Ingen ändring i regionindelning jämfört med nuvarande Sampers (3.4) Uppdelning i ärenden är en av flera dimensioner som är drivande för komplexitet, kostnad och körtid. Uppdelning i ärenden är också centrala för modellens analytiska egenskaper. De erfarenheter vi samlat på oss gör att vi inte är särskilt rädda för den ökande körtid som fler ärenden medför, det rör sig om sekunder för ett ytterligare ärende under förutsättning att programvaran är effektivt kodad. Kostnaden för att skatta och implementera modeller ökar naturligtvis med ökat antal ärenden men en betydande 1 I färdmedlet Bil som passagerare ingår taxiresor för sällskap som är fler än en person. 7

8 del av arbetet är gemensamt som att skapa estimeringsdata och inläsning av data i programvaran. Uppdelningen i ärenden bör i stor utsträckning baseras på beteendemässiga skillnader, varför uppdelningen delvis är ett estimeringsresultat. Det är till exempel stor skillnad mellan dagligvaruinköp och sällaninköp. Följande ärendeuppdelning har skattats: 1. Arbete 2. Rekreation 3. Dagligvaruinköp 4. Sällaninköp 5. Grundskola 6. Gymnasium 7. Vuxenutbildning 8. Besök 9. Tjänste (bostadsbaserade och arbetsplatsbaserade) 10. Skjutsa 11. Service/Barntillsyn/Vård (SeBaVa) 12. Övrigt Modellerna innehåller många socio-ekonomiska variabler. Dessa är mycket viktiga för modellens prognoskraft. Dock behöver modellerna kodas effektivt vid implementeringen avseende just socio-ekonomi annars riskerar körtiderna att dra iväg. Vissa socioekonomiska variabler är svåra att prognosticera medan andra segmenteringsvariabler är mindre problematiska som exempelvis ålder och kön. Regionala dummyvariabler är inte heller något problem utan dessa kan som regel härledas från zonnumrering. 8

9 2. Metod I detta kapitel beskrivs strukturen på de logit-modeller som används vid skattningen av efterfrågemodellerna. Att använda nyttomaximerande logit-modeller för att skatta efterfrågan på transporter har en lång tradition inom transportmodellering (Ben-Akiva och Lerman 1985) och har visat sig fungera väl. 2.1 Modellstruktur för hela Sampers4 efterfrågemodell Figur 2 visar en översikt över modellsystemet för Sampers4. Vid skattningen ingår inte alla delar i bilden utan bara de heldragna pilarna och heldragna boxarna, eftersom skattningen använder data om respondenterna, så som socio-ekonomi, från RVU istället för från en syntetisk befolkning. De heldragna boxarna visar de modeller som har skattats i projektet, dvs. modell för körkort- och bilinnehav, resegenerering, samt färdmedel- och destinationsval. Streckade pilar och streckade boxar kommer ingå i en framtida implementering av Sampers4. Figur 2: Översikt över modellsystemet för Sampers4. Heldragna pilar ingår i skattningen medan streckade pilar blir relevanta först vid implementeringen. Figuren ovan visar grundläggande beroenden mellan delmodellerna men inte beräkningssekvensen i systemet. I hittillsvarande praxis har man börjat med en nätutläggning av en matris som varit tom eller i jämvikt som sedan använts i efterfrågeberäkningen av färdmedel och destination (och generering). I den här versionen av modellen har det tillkommit fler modellinterna beroenden. I Sampers 3.4 saknas modell för bilinnehav och körkort vilket är exogena data, här modelleras körkort och bilinnehav samt ingår i systemet genom återkopplingar från modellen för destination- och färdmedelsval. Flera av modellens resultat ska tillföras den syntetiska befolkningen som attribut, såsom om agenten har körkort och antal bilar i hushållet. Att i detta avseende göra markanvändningen komplett är en förutsättning för efterföljande modellsteg. Den exakta exekveringsordningen av modellen kan bero på i vilken utsträckning modellkörningarna kan starta från en syntetisk befolkning med bra startvärden för logsummor, innehav av bil och körkort. 9

10 2.2 Färdmedels- och destinationsvalsmodellen Data Alla modellskattningar i Sampers4 bygger på data från den nationella resvaneundersökningen RES 05/06 (SIKA 2007). Genereringen av skattningsdata för omskattningen av Sampers bostadsbaserade regionala färdmedels- och destinationsvalsmodeller omfattar följande steg: - Uttag av resdata och socioekonomiska data ur RES Bearbetning av resdata till bostadsbaserade turer - Anpassning av markanvändningsdata till SNI Ärendevis påkodning av markanvändnings- och trafiksystemdata till bostadsbaserade turer - Generering av estimeringsfil utan alternativsampling För detaljerad dokumentation om vardera av dessa steg se Bilaga Modellstruktur Alla skattade ärenden utom Gymnasium och Vuxenutbildning använder sig av nästlade logit-modeller med destinationsval på den nedre nivån och färdmedelsval på den övre nivån, se Figur 3. Gymnasium och Vuxenutbildning är modellerade med simultan logitmodell. I en nästlad logit-modell bör det mer osäkra valet ske på den nedre nivån i trädet. Det innebär att korrelationen mellan nyttorna hos alternativen är högre för valet på den nedre nivån (McFadden 1981), i detta fall för destinationsvalet. En skattad logsumme-parameter som är signifikant mindre än 1 visar att så är fallet och det är också skattningsresultatet för alla ärenden utom Gymnasium och Vuxenutbildning för vilka logsumme-parametern inte är signifikant skild från 1. Figur 3: Trädstruktur för de nästlade logit-modellerna för färdmedels- och destinationsval I en nästlad logit-modell av detta slag ges sannolikheten p jk att välja färdmedel k och destination j av Ekvation 1. p jk = Pr{välja k}. Pr{välja j givet k} = exp V k exp V k k. exp V kj Ekvation 1 j exp V kj 10

11 där V k = θlog j exp V kj är den sammanvägda nyttan för färdmedel k, V kj är nyttan för färdmedel k och destination j vilken beskrivs nedan, 0 < θ 1 är logsumme-parametern (även kallad Modes resultattabellerna) som indikerar förhållandet mellan den relativa känsligheten för färdmedels- och destinationsval. Ekvation 2 visar hur nyttofunktionen specificeras för färdmedel k och destination j. V kj = r L β r x rjk + φ ln S j Ekvation 2 där x rjk är komponent r i nyttan för färdmedel k och destination j, S j = s 1j + r D β r s rj är ett mått på storleken hos destinationens attraktivitet 2, β r är parametrar som ska skattas och φ är en log-size-multiplier som indikerar förhållandet mellan den relativa känsligheten på zonnivå och val av enskilda storleksvariabler inom zonen. Uppdelningen av nyttofunktionen i en första del som beskriver tillgänglighet vid val av färdmedel k och destination j (inklusive socio-ekonomiska variabler) och en andra del som beskriver målzonens attraktivitet för alla resor som har denna destination som målzon följer Daly (1982) i sin specifikation. Skattning av modellerna för färdmedels- och destinationsval görs med programmet ALogit ( Nyttofunktionerna specificeras i så kallade ALO-filer på destinationsvalsnivån separat för varje färdmedel och innehåller utbudsvariabler (restid, reskostnad etc.), tillgångsvariabler (t. ex. tillgång till bil i hushåll), socioekonomiska variabler (kön, ålder etc.), samt geografiska variabler (regionkonstanter m.m.). Storleksvariablerna specificeras separat i en så kallad Size-variabel i ALO-filen och skiljer sig åt beroende på destination (antal attraktioner i målzonen), men inte beroende på färdmedel (förutom att vissa destinationer inte kan nås med vissa färdmedel). Vilka variabler som ingår i nyttofunktionerna och i storleksvariabeln skiljer sig från ärende till ärende och ges av tabellerna med skattningsresultat per ärende där alla skattade parametrar anges och även vilken nyttofunktion för vilket färdmedel de tillhör. Som exempel visas i Ekvation 3 nyttofunktionen för bil som förare (V Bj) och storleksvariabeln (S j) för rekreationsresor till destination j. Namnen på skattningsparametrarna i Ekvation 3 är samma som i resultattabellen för rekreationsresor, se Tabell 13. Ink0 och ink1 avser dummy-variabler för inkomstklass 0 respektive inkomstklass 1, se Tabell 3. 3 VBj = CPPTcost0BPK*ink0*reskostnadBj + CPPTcost1BPK *ink1* reskostnadbj + CPPTcosl1BPK * ink1*ln(0.01+reskostnadbj) + Car_t_liB*RestidBj Car_HH_C*Tillgång_till_bil_i_hushåll + CComp_C*Bilkonkurrens + Ekvation 3 2 Notera att parametern för den första storleksvariabeln inte skattas utan sätts till 1 och blir därmed referensvariabel för de övriga storleksvariablerna. 3 Övriga nyttofunktioner utläses enklast ur estimeringsfilerna, de så kallade ALO-filerna. 11

12 Car_HHStlk*Hushållsstorlek + VillaBP*Bor_i_villa + Wom_C*Kvinna + Car_Tat*Täthet_i_målzonj + CCP_SIBP*StockholmsInnerstad + Cent_kBPKGC*Kommuncenterj Sj = 1*Antal_boendej + Dag_50*Antal_arbetande_servicebutikerj + Dag_52*Antal_arbetande_dagligvaruhandelj + Dag_55*Antal_arbetande_hotell_restaurangj + Dag_92*Antal_arbetande_kultur_sportj + FHusYta*Fritidshusytaj Utbudsvariabler Trafiksystemets inverkan på val av färdmedel och destination beskrivs främst av restider och reskostnader. Restidsparametrarna varierar mellan färdmedel och består för kollektivtrafik av restidskomponenternas sammanvägda impedans (gångtid, väntetid, restid i fordonet, bytestid och antal byten). Reskostnadsparametern skattas gemensamt för bil som förare, bil som passagerare och kollektivtrafik. Nytt i Sampers4 är att reskostnaden och restiden tillåtits en icke-linjär formulering i de fall det förbättrat modellen. Figur 4 visar en principiell bild av en icke-linjär nyttofunktion där resans nytta avtar icke-linjärt med avståndet. Figur 4. Principiell beskrivning av ickelinjär nyttofunktion. Kollektivtrafikutbudet är det mest komplicerade utbudet att modellera eftersom det består av flera restidskomponenter: anslutningsrestid, första väntetid, restid i fordonet, bytesstraff och bytestid. Tidigare versioner av Sampers har skattat separata parametrar för dessa restidskomponenter i efterfrågemodellerna. Detta har dock lett till inkonsistens mellan efterfrågan och utbud. I samråd med Trafikverket har därför valet gjorts att i efterfrågemodellen inte skatta separata parametrar för restidskomponenterna, utan skatta en parameter för den totala impedansen från 12

13 kollektivtrafik, dvs. summan av alla viktade restidskomponenter, se Ekvation 4. Som vikter används dagens vikter i ruttvalsmodellen i Emme, se Tabell 1. Det är viktigt att påpeka att vikterna i Tabell 1 har använts av tradition i många år och värdena på dessa vikter har inte skattats om inom detta projekt. En översyn och omskattning av vikterna inom ruttvalet för kollektivtrafik behövs på sikt, men har inte rymts inom detta projekt. En framtida förändring av vikterna i ruttvalet för kollektivtrafik påverkar impedansen och leder till att Sampers efterfrågemodeller behöver skattas om. Koll imp = 2t a + 1.5t v +t i +1.5t b + 5δ b Ekvation 4 Tabell 1: Nuvarande vikter i nätutläggningen för kollektivtrafik i Emme Restidskomponent i Vikt utläggning i EMME kollektivtrafiken Anslutningsrestid (t a ) 2 Första väntetid (t v ) 1,5 Restid i fordonet (t i ) 1 Bytestid (t b ) 1,5 Antal byten (δ b ) 5 När modellen skattas med impedans istället för separata restidskomponenter kan efterfrågemodellen inte längre kompensera för de inte helt optimala vikterna i utläggningen. Hur mycket sämre modellerna blir beror på ärende. För daglivaruinköp var inte alla restidskomponenter signifikanta (gäller framför allt anslutningstid till/från station) varför en fördel med impedans-formuleringen är signifikans i skattningen Tillgångsvariabler Kriterier för att få tillgång till de olika färdmedlen beskrivs i Tabell 2. Nedan ges en mer detaljerad beskrivning för varje färdmedel. Tabell 2: Kriterier för tillgängligt färdmedel Färdmedel Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel Kriterium UP innehar körkort Fler än 1 person i resesällskapet Ombord-restid > 0 och <= 10 h Avstånd <= 10 km Avstånd <= 20 km För att få tillgång till alternativet bil som förare krävs i modellen att man har körkort. Däremot finns inget krav på att bil finns i hushållet eftersom det är möjligt att hyra eller låna bil, eller utnyttja bilpool. Användning av bil ökar dock avsevärt om bil finns i hushållet och därför ingår i modellen en dummy-variabel om det finns minst en bil i hushållet. Denna parameter minskar kraftigt sannolikheten att en person som saknar bil i hushållet ska använda bil. Tillgång till bil beror även på om det är konkurrens om bilen, dvs. om antal körkort i hushållet överstiger antal bilar. Detta fångas i modellen upp av en s.k. bilkonkurrensvariabel, vilken beräknas som antal körkort i hushållet delat med antal bilar i hushållet. Ju större bilkonkurrensvariabeln är desto mindre är sannolikheten att alternativet bil som förare väljs. 13

14 Bil som passagerare är ett tillgängligt färdmedel om det är mer än en person i resesällskapet. Detta innebär att taxiresor med fler än en person i resesällskapet modelleras medan taxiresor för ensamresenärer inte finns med. Kollektivtrafik är ett tillgängligt färdmedel om ombord-restiden är större än noll och mindre än tio timmar (för tur-och-retur-resor), d.v.s. max fem timmar för en enkel-resa. Gränsen har satts generöst för att inte kasta bort några verkliga observationer, men samtidigt rensa bort helt orimliga kollektivtrafikresor. Tillgänglighetskriterierna för kollektivtrafik innebär att inom-zon-resor med kollektivtrafik inte modelleras. Notera dock att observationer endast exkluderas från skattningen om valt färdmedel är kollektivtrafik och ombord-restiden är 0 eller mer än fem timmar för enkelresa. I skattningsresultaten i kap 3 anges för varje ärende totalt hur många observationer som exkluderats för att valt färdmedel inte är tillgängligt. Det finns dock inte möjlighet att särskilja hur många som exkluderats på grund av att t. ex. ombord-restiden är 0 för valt färdmedel. Totalt antal observationer som exkluderats på grund av valt färdmedel inte är tillgängligt ger dock en övre gräns för detta. Alternativet gång finns tillgängligt för resor kortare än eller lika med 10 kilometer och cykel-alternativet för resor kortare än eller lika med 20 kilometer Socio-ekonomiska variabler Befolkningen kan i mån av information delas upp i grupper som har olika beteende. Det kan dels ske som separata modeller och dels ske genom att man skattar separata parametrar för vissa segment. Sådana indelningar kan vara efter ålder, kön eller inkomst. I de aktuella modellerna har vi gemensamma modeller men valt att skatta separata beteendeparametrar i några dimensioner (olika för olika ärenden) och dessa är: Inkomst Kön Ålder Förälder till barn 0-18 år Hushållsstorlek Boendeform (Villa/flerbostadshus) Inkomst har i tidigare versioner av de regionala modellerna i Sampers hanterats som medelvärden medan vi här har skattat separata parametrar för inkomstklasser. Inkomstklasser har testats i alla modeller. Segmenteringen är gjord på individinkomst och innebär partiell segmentering där kostnadsparametern i nyttofunktionen är beroende av inkomstklass (se även Ekvation 3). Vilka inkomstklasser som finns med för de olika ärendena beror på vilka som blev signifikanta i skattningen. Tabell 3 visar de inkomstklasser som använts. Beroende på ärende har klasserna slagits samman till bredare klasser. Som mest finns tre inkomstklasser för ett ärende (arbetsresor tkr, tkr, och 300+ tkr). För flera av ärendena gav indelning i inkomstklasser mycket liten förbättring av modellen och liknande utseende på kostnadsparametrarna. Dessa ärenden har därför ingen uppdelning på inkomstklasser (t.ex. dagligvaruinköp och sällaninköp). Tabell 3: Individinkomstklasser för segmentering av kostnadsparametern. Klass Individinkomst (kr per år)

15 En relativt stor andel respondenter (27%) har inte uppgivit inkomst i RVU. För dessa har inkomst imputerats med hänsyn till respondentens huvudsakliga sysselsättning. Detaljerad beskrivning av hur denna imputering av inkomst har gått till beskrivs i Bilaga 1. Mer om inkomstklasser och hur fördelningen på inkomstklasser kan påverkas av ekonomisk tillväxt i prognoserna bör diskuteras i särskild ordning inför en implementering. Ska det exempelvis vara möjligt att öka realinkomstutvecklingen utan att förvärvsfrekvenserna ändras? Variabeln Förälder till barn 0-18 år finns bara med för arbetsresor och ingår som en del i variabeln WCh_dist en avståndsvariabel för kvinnor som är föräldrar till barn under 18 år. Den fångar effekten att kvinnor med hemmavarande barn har en ökad sannolikhet att arbeta närmare hemmet. I skattningen har föräldravariabeln hämtats från livskategori-variabeln i resvaneundersökningen. De två livskategori-variablerna Förälder, barn 0-6 år och Förälder, barn 7-18 har använts. Vid implementeringen kommer den syntetiska befolkningen innehålla information om förekomst av barn 0-18 år i hushållet. Variabeln WCh_dist kommer således tillämpas på förvärvsarbetande kvinnor över 18 år med förekomst av barn under 18 år i hushållet. Det kan förekomma att en förvärvsarbetande kvinna över 18 bor kvar hemma och att det i hushållet finns yngre syskon, men det torde handla om ett mycket litet antal personer i den syntetiska befolkningen. Hushållsstorlek påverkar sannolikheten att välja alternativet bil som förare: ju större hushåll individen tillhör desto större är sannolikheten att välja bil som förare. Variabeln har inte visat sig signifikant för bil som passagerare. Variabeln hushållsstorlek antar vid skattningen värden enligt Tabell 4. Formuleringen i nyttofunktionen för inköpsresor är +Car_HHStlk*(ifge(d24,2)*min(d24,4)), vilket ger en effekt på sannolikheten att välja bil som är linjär mellan 2 och 4 personer i hushållet, men som inte ger någon ytterligare effekt för hushållsstorlekar över 4 personer och ingen effekt för 1-personershushåll (d24 anger antalet personer i hushållet). Tabell 4: Värden på variabeln hushållsstorlek vid olika antal personer i hushållet Antal personer i hushållet >4 Värde på hushållsstorleksvariabeln Geografiska variabler De fem regionerna skiljer sig åt på flera sätt. Därför finns i modellen en del regionspecifika parametrar som fallit ut som signifikanta. Vinterkonstanterna är i alla ärenden definierade för samma veckor under året från och med vecka 48 på hösten till och med vecka 13 på våren. Beroende på analysperiod kommer effekten av vinterkonstanterna tas med för den andel av året de representerar. Det är bra om den implementerade Sampers-modellen går att köra åtminstone som antingen årsmedeldygn eller oktober-vardagsdygn. Vinterkonstanterna kommer med i 15

16 körningen av årsmedeldygn med den andel av året de representerar, medan de inte tas med alls om körning av oktober-vardagsdygn väljs. Täthetsvariablerna är definierade som antal invånare plus antal sysselsatta per kvadratmeter zonyta, där zonyta beräknas som zonens totala yta minus vattenyta. För detaljerad beskrivning se Bilaga 2. Ett alternativ skulle kunna vara att använda bebyggd yta istället för total yta minus vattenyta. Dock är det svårt att göra korrekta förutsägelser för bebyggd yta för prognosåret och valet föll därför på total yta minus vattenyta. Täthetsvariablerna kommer ha störst påverkan för områden centralt i Stockholm, Göteborg och Malmö. I nätutläggningen finns inga utbudsdata för resor inom zonerna. Resor med gång och cykel är ofta korta och det är troligt att många av dessa resor görs inom en zon. För att avspegla skillnader mellan zoner för sannolikhet att välja gång och cykel har variabler för zonens storlek introducerats. Variabeln benämns hädanefter som zonstorlek för inomzonresor och beräknas som zonyta/2 för resor som sker inom en zon, annars 0. Kommuncenter-dummyn och länscenter-dummyn (för grundskola) är destinationsvariabler som finns med i nyttofunktionerna för alla färdmedel. Variablerna skapades av dåvarande Vägverket i samband med utvecklingen av den första Sampersversionen (i slutet av 1900-talet). För varje kommun har de områden som ansetts vara centralt belägna angivits som kommuncenter respektive länscenter, men någon exakt definition har inte kunnat återfinnas. Oftast har fler än ett prognosområde angivits som kommuncenter av de cirka prognosområdena är cirka angivna som kommuncenter Storleksvariabler Storleksvariabler beskriver storleken på målzonens attraktioner. Exempel på storleksvariabler är antal boende, antal arbetande inom viss sektor med relevans för ärendet som modelleras, eller ytan hos t.ex. inköpsställen. Parametrarna för storleksvariabler skattas alltid med en av storleksvariablerna som referensvariabel. Det bör påpekas att signifikans inte kan beräknas för storleksparametrarna på samma sätt som för de andra parametrarna. Om en storleksvariabel ska vara med eller inte i modellen testas bäst genom att skatta modellen med och utan storleksvariabeln och sedan göra ett chi2-test på skillnaden i LogLikelihood (Kristoffersson, Daly, och Algers 2018). Denna metod för att avgöra vilka storleksvariabler som ska vara med i modellerna har använts i detta skattningsarbete Strukturvariabler Logsumme-parametern Θ från destinationsvalet till färdmedelsvalet avgör hur stor effekt förändringar i trafikutbuds- och destinationsvariabler får på färdmedelsvalet. Logsumme-parametern bör vara mindre än ett, så att de mer osäkra valen sker längst ut i nästningsträdet. Signifikans för logsumme-parametern beräknas skild från 1 istället för skild från 0 som för övriga parametrar. Log-size-multiplier Φ ingår i formuleringen av destinationernas attraktivitet. Den spelar samma roll som logsumme-parametern fast i detta fall beskriver den förhållandet mellan relativ känslighet på zonnivå jämfört med känslighet på nivån av enskilda storleksvariabler inom zonen. Log-size-multiplier sätts till 1 i detta arbete för att vara neutral i förhållande till zonindelningen. 16

17 Andel av resorna Sällskapsstorlek Sällskapsstorlek ingår som beskrivits ovan som tillgänglighetskriterium för bil som passagerare. Den ingår även i bilkonkurrensvariabeln för dagligvaruinköp, som en dummy för ensamresenärer i cykel-alternativet för ärendena rekreation, dagligvaruinköp och besök, som en dummy för tre eller fler personer i gång-alternativet för grundskoleresor, samt som variabel i alternativet bil som passagerare för ärendet skjutsa. Vidare är reskostnaden för bil delad med sällskapsstorlek, så även där kommer sällskapsstorleken in. Vid skattningen har den sällskapsstorlek som angivits i RVU för aktuell observation använts. Vid implementeringen rekommenderar vi att sällskapsstorlek hämtas från RVU som en exogen fördelning beroende på ärende, i likhet med tidigare versioner av Sampers. Vi bedömer inte att en separat modell för sällskapsstorlek är nödvändig i detta skede. Skillnaderna i fördelning av sällskapsstorlek beroende på ärende mellan RVU och RVU 05/06 är små, se Figur 5-Figur 8 nedan. Därmed verkar sällskapsstorlek per ärende inte variera så mycket över tid och en exogen fördelning kan tillämpas. Vi har jämfört sällskapsstorleken för fyra ärenden mellan RVU 05/06 och den senaste tillgängliga, RVU (figurerna nedan). För arbetsresor är skillnaden obefintlig medan det för de andra ärendena som redovisats finns en svag tendens mot att resor utan sällskap ökar. Sällskapsstorlek arbetsresor 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Antal medföljande År 05/06 År Figur 5. Fördelning av sällskapsstorlek för arbetsresor i RVU 05/06 och RVU

18 Andel av resorna Andel av resorna Sällskapsstorlek tjänsteresor 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, Antal medföljande År 05/06 År Figur 6. Fördelning av sällskapsstorlek för tjänsteresor i RVU 05/06 och RVU Sällskapsstorlek besök 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0, Antal medföljande År 05/06 År Figur 7. Fördelning av sällskapsstorlek för besöksresor i RVU 05/06 och RVU

19 Andel av resorna Sällskapsstorlek rekreation 0,6 0,5 0,4 0,3 0,2 0, Antal medföljande År 05/06 År Figur 8. Fördelning av sällskapsstorlek för rekreationsresor i RVU 05/06 och RVU Av modellen implicerade tidsvärden Kostnadsparametrarna är gemensamma för alternativen bil som förare, bil som passagerare och kollektivtrafik, medan restidsparametrarna varierar mellan dessa alternativ. Reskostnaden för alternativen bil som förare och bil som passagerare har delats med antal personer i sällskapet. Detta är samma tillvägagångssätt som gjorts i tidigare Sampers-skattningar. Hur reskostnaden för bil ska behandlas är inte självklart och det vore intressant att i framtiden testa även andra varianter. T.ex. är det troligt att bilkostnaden i hushåll med gemensam ekonomi delas mellan de vuxna även när bara en befinner sig i bilen. Osäkerheterna kring reskostnaden för bil gör att man ska vara försiktig med att tolka divisionen mellan restidparametern och kostnadsparametern som ett tidsvärde. Eftersom kostnaderna och restiderna är icke-linjära för vissa inkomstgrupper och ärenden får vi inte heller ett konstant värde om restidsparametern delas med kostnadsparametern utan detta tidsvärde varierar med reskostnaden. Restidsvärdet (nedan VoT efter Value of Time) är växelkursen mellan pengar och tid. Nedan beskrivs de tidsvärden som impliceras av relationen mellan efterfrågemodellernas skattade parametrar. Skälet att beräkna dessa är att de utgör en kontroll av modellen att dessa relationer är rimliga. Normalt, vid linjära nyttofunktioner som denna: u = βt + γc där nyttan (u) är en linjär funktion av tid (t) och kostnad (c) med parametrarna β och γ beräknas modellens tidsvärde enligt: VoT = 60 β γ Där VoT är tidsvärdet uttryckt i kronor 4 per timme, β är tidskänsligheten och γ är kostnadskänsligheten. 4 Förutsatt att modellen skattats på kostnader uttryckta i kronor, i skattningsårets penningvärde. 19

20 Nytta I de nyskattade modellerna använder vi oss av kombinationer av logaritmerade och linjära variabler. Formuleringen innebär att modellen fortfarande är linjär i parametrarna. En nyttofunktion i tids-kostnadsdomänen kan då se ut som: u = βt + γ li c + γ lo ln (c) Där t och c är som ovan och γ skattade för en linjär (li) respektive en logaritmerad (lo) kostnad. Uppritad kan då nyttofunktionen se ut som i figuren nedan. Kostnad Figur 9: Illustration av nyttan i förhållande till kostnad vid ickelinjär nyttofunktion. I figuren ser vi att nyttan faller kraftigt vid låga kostnader medan nyttan inte avtar lika snabbt vid höga kostnader. Det här kommer att avspegla sig i tidsvärdet. I modellerna förekommer det också att både tid och kostnad är linjära och logaritmerade. Vi får då: u = β li t + β log ln (t) + γ li c + γ lo ln (c) Med ickelinjära nyttofunktioner finns inget enskilt tidsvärde, utan kontinuerliga tidsvärden. För att beräkna tidsvärdet får vi börja med att derivera nyttofunktionen m.a.p. på kostnad och/eller tid för att få lutningen i punkten. I fallet med kombinationer av linjär och logaritmerad kostnad får vi: u = βt + γ li c + γ lo log(c) du dc = γli + γ lo 1 c Med linjär formulering av tid kan vi sedan på samma sätt som tidigare beräkna tidsvärdet i punkten c: 60 β VoT(c) = (γ li + γ lo 1 c ) Tidsvärdena från en funktion med parametrarna: β = -0.05, γ li = och γ lo = blir då enligt figuren nedan: 20

21 VoT Kostnad Figur 10. Illustration av VoT. I fallet med ickelinjära termer i både tid och kostnad blir det ett snäpp svårare eftersom det i populationen och i samplet modellen är skattad på finns en variation i kombinationerna av tid och kostnad vilket ger en fördelning av tidsvärden i varje punkt. För att undvika att redovisa fördelningar i massa punkter kan man redovisa populationsmedelvärdena för tid respektive kostnad i avståndsdomänen. Tidsvärdena blir då: 60 (β li + β lo 1 VoT(c) = t c) (γ li + γ lo 1 c ) Där t c är medelvärdet av t kring c i samplet. Förhållandet kan också illustreras som en yta vilket dock kan ge ett ganska förvirrande intryck (figur nedan). 21

22 KOSTNAD VOT Figur 11. Tidsvärdesyta, exempel från besöksresemodellen. TID Vi redovisar VoT i anslutning till resultaten av modellskattningarna i Kapitel 3. Elasticiteter och korselasticiteter som beskriver hur efterfrågan reagerar på ändringar i restid och reskostnad redovisas i Kapitel Modeller som valts bort RES 05/06 innehåller information om tillgång till parkering vid arbetsplatsen, vilken har stor påverkan på val av bil som förare för arbetsresor, men det räcker inte att information finns för skattning av efterfrågemodellen. Information måste också finnas för alla zoner i Sampers vid implementering, både för nuläge och för prognossituation. Därmed har tillgång till parkering vid arbetsplatsen inte tagits med i modellerna. Inköpets varaktighet är en viktig variabel som blir signifikant i inköpsresemodellerna och förbättrar dessa modeller, men som inte kunnat tas med på grund av att den är svåra att dataförsörja i implementeringen, framförallt för prognosåret. Variabeln påverkar på detta sätt: Ju längre inköpet varar, desto större sannolikhet att använda bil eller kollektivt färdmedel jämfört med gång och cykel. Även totala antalet butiker i en zon blir signifikant som storleksvariabel i flera av modellerna, men kunde inte tas med då den är svår att dataförsörja för prognosåret. T.ex. blir totala antalet butiker signifikant i rekreationsmodellen, vilket troligen är en proxy för rekreationsresor t.ex. till köpcentrum för att ta en fika eller gå på bio. 22

23 En dummy för om Systembolaget finns i en zon blir signifikant för dagligvaruinköpsresor. Det troliga sambandet här är att dagligvaruaffärer gärna lokalisera sig i lägen nära Systembolaget eftersom de vet att det är ett attraktivt läge för att nå kunder. Det blir dock svårt att ange vilka zoner som kommer ha Systembolaget i en prognossituation. Denna variabel har därför valts bort Exkludering av skattningsobservationer Vid inläsning av skattningsdata till ALogit exkluderas vissa observationer. Dessa exkluderingssatser har samordnats så att samma gäller för alla ärenden utom arbete som har en extra exkluderingssats, se Tabell 5. Tabell 5: Anledningar till exkludering av observationer i skattningsdata Anledning till exkludering av observation Valt färdmedel är inte tillgängligt Dubbelräknad observation Ospecificerad målzon Storleksvariabel 0 i målzon Respondenten är inte förvärvsarbetande Förklaring Observationens data uppfyller inte kriterierna i Tabell 2 Av misstag förekommer en del observationer både kodade som tillhörande Samm och Sydost Destinationen är inte angiven eller har inte kunnat kodas korrekt Målzonen har inga attraktioner som ingår i storleksvariabeln för ärendet Gäller endast arbetsresor De flesta observationerna som exkluderas gör detta på grund av att valt färdmedel inte är tillgängligt. Kriterierna för tillgängligt färdmedel är samma för alla ärenden och sammanfattas i Tabell Resegenereringsmodellen Beräkning av antalet resor är det första steget i en trafikprognosmodell och avgörande för totalvolymen av resor i prognossystemet. Följer man utvecklingen av antalet resor per person över tid i resvaneundersökningarna ser det ut som att den varit konstant eller till och med minskat. Vi vet också att antalet resor som utförs mycket sällan överstiger tre per person och dygn. I tidigare prognoser har trafiktillväxten upplevts som för hög och en utmaning är att representera de egenskaper hos befolkning och transportsystem som både driver trafikutvecklingen och har en återhållande effekt på densamma. I rapporten redovisas resultaten av skattning av två modeller för resegenerering. En modell avser bostadsbaserade resor för samtliga ärenden och en modell för arbetsplatsbaserade tjänsteresor. Den senare modellen är separerad eftersom de utgår från en annan plats än huvuddelen av de modellerade resorna. Beskrivningen nedan avser de bostadsbaserade resorna men vi återkommer till de arbetsplatsbaserade tjänsteresorna. Till skillnad från tidigare modeller inom Sampers-systemet beräknar modellen sannolikheten för att genomföra ett resmönster bestående av inga resor, en, två, tre eller fyra+ resor. Dessa resmönster består av enskilda resor eller kombinationer av ärenden som utförs under en dag. Modellen har struktur enligt Figur

24 Figur 12: Modellstruktur för resegenereringsmodellen. På den övre nivån ligger antalet resor och på den undre de olika resmönstren. De variabler som förklarar resmönstren består av logsummor från färdmedels- och destinationsvalsmodellerna, inkomst, demografiska variabler och variabler som beskriver säsong och veckodag. Effekterna är de förväntade i modellen där den huvudsakliga skillnaden i inkomstdimensionen är mellan de som har noll eller låg inkomst och de som har medel eller hög inkomst. Hur scenarierna med avseende på inkomstfördelning skapas kommer att bli viktigt. I de tester som gjorts med modellen ger en ökning av inkomsten med 10 % en ökning av antalet resor med ca 0,04 %. Ökningen av inkomsterna gjordes i en partiell tillämpning där inga andra variabler ändrades såsom logsummor och bilinnehav. Eftersom vi har en modell som omfattar tolv ärenden och bland dessa kan man göra kombinationer, samt olika antal ärenden blir det potentiellt många kombinationer av resmönster. Det här skapar en större komplexitet i modellen men kan bidra till att lösa problem med att för många resor genereras. Vi ska i den deskriptiva delen av rapporten se att det är få resmönster som omfattar fler än tre resor vilket tyder på att det finns en ganska hård gräns för vad som hinns med under ett dygn Definition: Vad är generering i aktuell modell? Definitionen av de resor eller turer som genereras baseras på längd, plats och en begränsning på ett dygn. För att något ska betraktas som en resa i RVU-mening krävs att det är en förflyttning på mer än 200 meter. I RVU är en resa inget som nödvändigtvis görs ut ur en zon eller annan indelning. I modellen kommer vi att betrakta generering som en resa oberoende av zon men i nätverksutläggningen krävs det att en resa går ut ur zonen för att läggas ut. De platser som har betydelse för genereringen är en begränsning till bostadsbaserade turer, dvs. turerna är slutna samt startar och slutar i hemmet. Det utesluter exempelvis arbetsplatsbaserade 5 resor. En tur är begränsad till att pågå under max ett dygn och för regionala resor så är de inte längre än 10 mil. Vi modellerar inte kedjeresor. Exempel på resmönster är: Bostad arbete bostad (en resa) Bostad skola - bostad, Bostad - besöka släkt/vänner bostad (två resor) Bostad rekreation - bostad, Bostad - arbete - bostad, Bostad inköp bostad (tre resor) 5 Vi gör dock ett undantag med tjänsteresor där arbetsplatsbaserade resor beräknas i en särskild modell. 24

25 Antal Även resmönster med 4 resor modelleras. Ovan uteslöts resor som inte startar och slutar i hemmen, men ett undantag görs dock. Tjänsteresor sker ofta med utgångspunkt från arbetsplatsen och av det skälet genereras även dessa i en särskild modell för enbart detta ärende Beskrivning av data Vi börjar med en liten översikt av hur antalet resor per person och dygn har utvecklats över tid i resvaneundersökningarna, se Figur 13. Det finns många felkällor när man försöker skapa tidsserier av undersökningar över tid. Definitionen av huvudresor skiljer över tid så det begreppet gick inte att följa medan delresebegreppet har varit relativt oförändrat (SCB och senare utgivare av statistiken beskriver jämförbarheten över tid ganska utförligt). De data som presenteras är råa data och vi har inte konstanthållit för något men den nedåtgående trenden är ändå överraskande. Under perioden 1994 fram till 2005/06 (2005/06 är de data vi använder) så är nivån konstant för att sedan falla för den senaste observationen. 4 Antal delresor per person över tid År Figur 13. Antal delresor över tid. Källa: Bearbetning av resvaneundersökning för respektive år. En nedåtgående trend i data för resefrekvenser är inte unikt för Sverige utan samma observation har gjorts i Storbritannien (Jahanshahi, Williams, och Hao 2009) med data från National Travel Survey (NTS). Efter diverse ekonometriska övningar på det brittiska materialet har det kommits fram till att den avtagande trenden inte är signifikant men inte heller att den egentligen skulle vara den motsatta. Man finner främst tre skäl till mönstret: 1. Minskande svarsfrekvenser vilket ger en lägre representation av personer som gör många resor 2. Ändrade undersökningsmetoder 3. Förändrad befolkningssammansättning Förklaringarna torde vara relevanta även för svenska förhållanden när det gäller de senaste årens resvaneundersökningar. Våra skattningsdata utgörs av den näst sista observationen i tidsserien (Figur 13) där bortfallet fortfarande var hanterligt. Ska vi säga 25

26 något om vad vi förväntar oss av en modell för generering av resor så bör det vara att den helst inte ska öka antalet resor över tid i någon högre utsträckning utan snarast hålla frekvenserna konstanta. I Figur 14 nedan visas hur resmönstret avseende bostadsbaserade resor är fördelat på antal resor. Vi kan notera några saker i materialet: 21 procent av befolkningen mellan 6-85 år gör ingen resa under en genomsnittlig dag. Endast 5 procent av befolkningen gör tre eller fler bostadsbaserade resor per dag. Var femte invånare ska alltså enligt RVU inte göra någon tur från hemmet. Skälet kan vara naturliga saker som sjukdom eller VAB dvs. egenskaper med en demografisk komponent snarare än skäl som har med transportsystemet att göra. En formulering av modellen där vi kan använda demografiska variabler i genereringen kan möjligen tillföra förklaringsvärde. 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% De valda alternativens fördelning 76% 21% 95% 99% 100% 100% 100% 100% 100%100% Procent som valt alternativet Kumulerad procent Figur 14. Valens fördelning över resmönster med avseende på antal resor. En genereringsmodell ska inte bara träffa rätt på individernas val utan också generera rätt antal resor. I figuren nedan ser vi exempelvis att andelen individer som gör tre resor visserligen är litet men de gör ju ändå tre resor vilket utgör drygt tio procent av antalet resor. Vi klarar oss inte undan att modellera kombinationer med tre resor. Genererar man resmönster med upp till tre resor täcks 97 procent av alla resor in och 99 procent av alla resmönster (medräknat resmönster med noll resor). 26

27 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Resornas fördelning 97% 86% 51% 0 99% 100% 100% 100% 100% 100% Andel av resorna Kumulerad procent Figur 15. Resornas fördelning över resmönster. Ärendefördelningen för samtliga resor oberoende av antalet i mönstret ser ut som i Figur 16. Arbete är störst med rekreation närmast därefter. Andra betydande ärenden är skola, besöka släkt och vänner samt dagligvaruinköp. 30% Ärendefördelning totalt 25% 20% 15% 10% 5% 0% Figur 16. Ärendefördelning för samtliga resmönster. Bryter man ner ärendefördelningen på olika resmönster fördelat på antal resor finns vissa skillnader, se Figur 17. Bland en-resmönstren dominerar arbete medan rekreationsresor är det största ärendet bland tvåresemönstren. Treresemönstren har några tydliga avvikelser som man kan ana hör hemma hos barnfamiljer med stor andel resor för service, hälsa och barntillsyn samt skjutsa. 27

28 Arbete Skola Tjänste Service+Barntillsyn+Vård Släkt o vänner Rekreation Skjutsa Dagligvaruinköp Sällanvaruinköp Övrigt 35% 30% 25% 20% 15% 10% 5% En resa Två resor Tre resor 0% Figur 17. Ärendefördelning efter antal resor per person, andelar. Barntillsyn, hälsa och service har slagits ihop till ett ärende i den slutliga modellen. Att specificera alternativen för en resa är okomplicerat men det blir värre för flera resor. I Tabell 6 nedan visar vi antalet valda kombinationer i materialet avseende två resor. Varje siffra motsvarar här således antalet personer som valt en resekombination. Till exempel för kombinationen arbete/rekreation står det 498 (observationer) i tabellen vilket betyder att det gjorts 498 arbetsresor och lika många rekreationsresor av dessa individer. Tabell 6. Antal resor per kombination av ärenden för resmönster med två resor. Arbete Skola Tjänste Service+Barntillsyn +Vård Släkt o vänner Rekreation Skjutsa Dagligvaruinköp Sällanvaruinköp Övrigt 82 För resmönster med två resor blir det 55 olika alternativ efter sammanslagning av service, barntillsyn och vård om vi ska ta med alla. Vi ser att vissa kombinationer är 28

29 vanliga som arbete eller skola i kombination med rekreation eller arbete i kombination med inköp Alternativ i valen Antalet alternativ kan bli rätt stort så det finns skäl att se över hur de kan aggregeras för att sedan delas upp med fasta frekvenser. Med fasta frekvenser menas att när ett resmönster delvis utgörs av ett aggregat av flera ärenden, t.ex. försörjning (se nedan), så fördelas aggregatet sedan ut på enskilda ärenden med fasta andelar 6. Resmönster med en resa ger 10 alternativ Resmönster med två resor ger ytterligare 55 alternativ utan hänsyn till ordning För resmönster med tre resor finns det 179 olika kombinationer i data. Drygt hälften av de i data valda alternativen med tre resor har arbete eller skolresa som minst ett ärende. Tabell 7. Ärendemix för de vanligaste ärendena med tre resor. Ärendemix Antal 1 Arbete, Arbete, Rekreation 29 2 Arbete, Arbete, Dagligvaruinköp 24 3 Rekreation, Rekreation, Dagligvaruinköp 24 4 Skola, Rekreation, Rekreation 23 5 Arbete, Skjutsa, Skjutsa 20 6 Skola, Släkt och vänner, Rekreation 20 7 Arbete, SeBaVa, Rekreation 19 8 Arbete, Rekreation, Skjutsa 19 9 Arbete, Arbete, SeBaVa Arbete, Rekreation, Dagligvaror 17 I data finns vissa problem med tolkningen av bostadsbaserade arbetsresor, exempelvis resmönstret: 1) hem arbete hem på lunch arbete hem Blir två arbetsresor om man sluter turen vid hemmet, medan: 2) hem arbete lunch på restaurang arbete hem blir en resa eftersom vi använder oss av bostadsbaserade resor 7. Resmönster 1 är emellertid egentligen inte en bostadsbaserad resa utan en arbetsplatsbaserad resa 6 Andelarna levereras i ett exceldokument. 7 Det här är ett skäl att överväga en modellstruktur som medger kedjeresor i senare arbete. 29

30 eftersom ärendet startar från arbetsplatsen och går till hemmet och tillbaka. Eftersom vi endast beräknar bostadsbaserade arbetsresor utesluts det ärende som egentligen är lunchrast. Genereras resmönster 1 kommer det att påverka antalet resor som läggs ut i maxtimme 8, vilket en stor del av arbetsresorna gör. Även för tjänsteresor och skolresor finns samma fenomen som för arbetsresor och även dessa har vi bortsett från i genereringen av i bostadsbaserade resor. Det innebär att vi kommer att ha något lägre antal resor för dessa ärenden jämfört med det jämförelseunderlag som tagits fram. Den ordning som resorna utförs i har vi inte fördjupat oss i och eftersom vi inte har en aktivitetsbaserad modell är det inte av primärt intresse. Det finns emellertid en naturlig sekvens i resmönstren där ordningen är: 1. Försörjning (Arbete, skola, tjänsteresor) förkortas nedan med A 2. Underhåll (Service, hälsovård, barntillsyn, dagligvaruinköp, sällanköpsvaruinköp) förkortas nedan med U 3. Fria aktiviteter (Rekreation, Släkt och vänner, Övrigt, Skjutsa) förkortas nedan med F I modellen särskiljer vi alternativ baserat på ordning eftersom det inte medför något större besvär och ökar modellens framtida användbarhet. Resmönstret (resmönster nr. 15): Hem Arbete Hem Rekreation Hem, utgör ett alternativ liksom att resmönstret (resmönster nr. 42): Hem Rekreation Hem Arbete Hem utgör ett annat resmönster. Eftersom efterfrågemodellen inte nyttjar information avseende ordning så aggregeras resmönstren i exemplet Strukturering av alternativ Nuvarande modell (Sampers 3.4) är strukturerad som i Figur 18 med genereringen högst upp i ett logit-träd som är oberoende av andra ärenden. Figur 18. Nuvarande modell för resegenerering. Nedan i Figur 19 visas en bild för den princip för generering som vi presenterade för CTS vetenskapliga råd. Ansatsen innebär att resmönster genereras istället för enskilda resor. Figuren avser en princip och inte nödvändigtvis en modellstruktur, i betydelsen logitnästen, vilket är en empirisk fråga. Den modellstruktur vi tänkt oss är att som i nuvarande modell låta logsummorna från färdmedels- och destinationsvalsmodellerna vara en central variabel i resegenereringen. Den huvudsakliga synpunkten vi fick från 8 Sker inget med förhållandet mellan andelarna av resorna som startar i hemmet respektive andra arbetsresor hanteras detta av maxtimmesandelarna, annars inte. 30

31 vetenskapliga rådet var att inkomst skulle vara med i genereringen (Andrew Daly). Daly påpekade också att det var betydligt svårare att skatta modeller för resmönster än traditionella modeller. Figur 19. Struktur för resegenerering i Sampers Aggregering av ärenden Vid ärendekombinationer med tre och flera resor där ovanliga ärenden förekommer eller kombinationer av ärenden som är ovanliga har ärenden aggregerats. De grupper som vi aggregerat till följer en funktionell indelning i ärenden som utförs för försörjning, underhåll av hushållet samt ärenden som tillhör fria aktiviteter. I Tabell 8 visar vi den aggregering som i vissa fall utförts. Tabell 8. Aggregat av ärenden. Huvudgrupp Ärende Kod Försörjning Arbete A Tjänsteresa Skola Underhåll Service U Hälsovård Barntillsyn Dagligvaruinköp Sällanköpsvaruinköp Fria aktiviteter Rekreation Hälsa på släkt och vänner Skjutsa Övrigt F 31

32 Indelningen är inte självklar och det går att hänföra olika ärenden till olika huvudgrupper. De ärenden som aggregerats i vissa kombinationer är dock en liten andel av resorna, mindre än 5 %. De aggregerade alternativen fördelas sedan på enskilda ärenden med nycklar 9. Efter aggregering återstår 86 olika resmönster i valmängden Modellskattning Skattningen sker för resmönster brutet på ärende och ordning. Ordningen hanteras inte i efterföljande efterfrågemodeller men informationen kan i framtiden bidra till att beräkna andelen resor i maxtimme. Nyttofunktionerna är linjära och har följande principiella form: u(1)=0; alternativet att inte resa är satt till 0. u(2 86) = α + βx Där α är en alternativspecifik konstant och β är skattade parametrar och x är oberoende variabler. Nyttofunktionerna kan innehålla varierande antal skattade parametrar, ibland endast en alternativspecifik konstant. Olika nästningsstrukturer prövades med varierande framgång. Bland annat efter styrande ärende (arbete, skola) på den övre nivån och kombinationer av antal och ärende. De testade strukturerna resulterade i logsumme-parametrar > 1 för flera av nästena 10. Den struktur som valdes är en struktur med antal resor direkt under roten och därefter olika ärendekombinationer (Figur 20). Innehållet i respektive resmönster redovisas i bilaga 3 tillsammans med parameterestimaten. Figur 20. Nästningsstruktur. Den resulterande modellen är densamma som för färdmedel och destinationsval men här beräknas sannolikheten p sh att välja antal resor s och ärendekombinationen h blir då: p sh = p s p h s = exp(v s) exp (V s ) s 32 exp(v hs) exp (V hs ) h Där V s = θ log exp (V sh ) h är nyttan över resmönster h, V sh är nyttan för antal resor s och ärendekombination h. θ är logsumme-parametern. En skillnad jämfört med modellerna för destination och färdmedelsval är att det inte förekommer någon storleksvariabel i beskrivningen av alternativen. 9 I Excel-fil. 10 Teorin för nästade logitmodeller förutsätter att logsumme-parametern är 1.

33 Alternativet att stanna hemma och att göra fyra resor ligger direkt under roten och är därmed inte kopplade med någon logsummeparameter (θ). Strukturen i Figur 20 ger de skattade logsumme-parametrarna i Tabell 9. Tabell 9. Logsumme-parametrar i genereringsmodellen. LS-parameter Estimat t-värde Three (3 Resor) Two (2 Resor) One (1 Resa) Tillgångsvariabler Tillgångsvariabler finns för arbetsresor och skolresor. För att få göra ett arbetsresemönster måste personen tillhöra den arbetande nattbefolkningen (kod 1, 2, 3 i RVU). För att få göra ett skolresemönster krävs att åldern är under 65 år samt att den inte utförs under helg. Skolresor skattas som ett ärende men med dummyvariabler för grund-, gymnasie- respektive övrig skola. De olika skolnivåerna särskiljs således enbart med dessa dummy-variabler för ålder. Skola är ett specialfall åtminstone för grundskolan där summan av resorna bör vara en faktor av antalet barn, i princip alla gör en skolresa utom de som är sjuka. Detta är inte riktigt sant men avvikelser från regeln hanterar vi inte i denna modell. Den implementerade modellen bör stämmas av per åldersgrupp så att förväntat antal barn gör en skolresa per vardag utom lov. 2.4 Körkorts- och bilinnehavsmodellen Innehav av körkort och tillgång till bil är hushållsbeslut där exempelvis hushållets samlade inkomst är en betydligt bättre förklaring till bilinnehavet än individens egen inkomst. Den utveckling som har skett med lägenhetsregister har de senaste åren gjort det möjligt att ta fram data för hushåll och göra prognoser för hushåll. Modellerna är formulerade som diskreta val där inkomst, demografi och zonens egenskaper spelar en stor roll. Exempel på zonegenskap är boendeform, täthet och den tillgänglighet som man uppnår med olika val av innehav av körkort och bil. De tillgänglighetmått vi använder är logsumman från efterfrågemodellerna vilket innebär att bilinnehavsmodellen är en del i den iterativa processen mellan utbud och efterfrågan. Modellen kommer på detta sätt att reagera med förändrat bilinnehav i zoner som får ändrad tillgänglighet med bil respektive utan bil. Fyra modeller för innehav av körkort och tillgång till bil har skattats: Förekomst av bil i hushållet för personer under 18 år Kombinationer av bil och körkort för personer tillhörande hushåll med en vuxen Kombinationer av bil och körkort för personer tillhörande hushåll med två eller flera vuxna 33

34 Innehav av körkort givet att personen bor i hushåll med två vuxna där den ena har körkort. Förekomst av bil i hushållet för personer under 18 år förklaras av boendeform, hushållsinkomst och zonens täthet samt en regional variabel. Eftersom innehav av bil är ett hushållsbeslut som baseras på föräldrarnas inkomst bidrar hushållsinkomst starkt till modellens förklaring. Modellerna för innehav av körkort och bil innehåller inkomst, demografiska variabler, regionala dummies, boendeform, täthet och tillgänglighet från efterfrågemodellerna. Simuleringar med modellerna har gjorts för att se hur väl modellen återskapar data och hur modellen reagerar på förändringar. De simuleringar som gjorts är partiella i betydelsen att vi inte kört det kompletta modellsystemet till konvergens med återkoppling av logsummor. Utvecklingen av bilinnehavet det senaste decenniet ger en blandad bild. Antalet bilar per invånare har gått upp (om än svagt) samtidigt som de som uppger sig ha tillgång till bil i hushållet i SCB:s undersökningar av levnadsförhållanden (ULF) visar en avtagande trend. Den trendmässiga drivkraften i bilinnehavsmodeller brukar vara realinkomstutveckling och inkomst har en betydelse även i de modeller som tagits fram här. Den stora skillnaden är mellan de som har inkomst och de som inte har inkomst vilket gör att prognosen för andelen nollinkomsttagare blir central. Andelen nollinkomsttagare brukar antas vara konstant vilket beror på att samma andel även i framtiden antas studera eller inte ha en inkomst av främst demografiska skäl. Med konstant andel nollinkomsttagare är effekten av ökade realinkomster mycket måttlig i modellen och följaktligen saknas en kraftig inneboende trend i bilinnehavet som följer ekonomisk utveckling. Det kan kanske tolkas som att vi nått en viss mättnad och att inkomst, bara hushållet har en, inte är en restriktion för att inneha bil Bilinnehavsmodellernas funktion Efterfrågemodellerna använder körkort och bilinnehav på två sätt. Det ena är som tillgångsvariabler vilket betyder att för att färdmedlet ska ingå i valmängden måste personen eller gruppen personen tillhör ha möjlighet att använda färdmedlet. Ett exempel är bil som förare vilket förutsätter körkort. Det andra sättet som bilinnehav och körkort kommer in är som parametriserade variabler vilket innebär att de påverkar sannolikheten för att göra ett val. Ett exempel är att sannolikheten att välja bil som färdsätt ökar om det finns en eller flera bilar i hushållet. Att bil i hushållet inte är en hård tillgängsvariabel beror på att man kan hyra, låna eller ingå i bilpool och därmed ha tillgång till färdmedlet utan att man uppfyller det traditionella kravet att det finns en bil i hushållet. De variabler som rör körkort och bilinnehav är följande: Förekomst av bil i hushållet. Variabeln skiljer inte på antalet bilar eller ägandeform utan är enbart ett binärt val avseende tillgång till bil. Innehav av körkort. En förutsättning för att kunna välja bil som förare. Bilkonkurrens. Används som en parametriserad variabel, antal körkort per bil, vilket påverkar möjligheten att inom hushållet nyttja bilen. Modellen för beräkning av bilkonkurrens avser sannolikheten att tillhöra ett hushåll med olika kombinationer av antal körkort och bilar. För att ta fram variablerna skattas fyra modeller fördelade på ålder och hushållsstorlek. 34

35 Index: 1980=100 För personer under 18 år beräknas sannolikheten att de ska tillhöra ett hushåll med bil vilket beräknas i en separat modell. För personer tillhörande enpersonshushåll beräknas sannolikheten att välja något av alternativen: o Inget körkort och ingen bil o Körkort och ingen bil o Körkort och bil För personer tillhörande hushåll med två eller flera vuxna beräknas sannolikheten att hushållet har något av kombinationerna: o Inget körkort och ingen bil o Ett körkort och ingen bil o Ett körkort och en bil o Två körkort och ingen bil o Två körkort och en bil o Två körkort och två bilar För modelltillämpningen behövs information om individen har körkort vilket är data som kommer ut ur modellen för enpersonshushåll och för fyra av fem val för modellen för tvåpersonshushåll. För de hushåll som har ett körkort på två personer måste en komplementmodell skattas som beräknar sannolikheten att ha körkort givet att man tillhör ett sådant hushåll. Bilinnehavsbegreppet gör att vi inte rör oss med begreppet ägande eller antal bilar i Sverige utan vi snarare är intresserade av hur fördelningen av bilar och körkort ser ut. För att illustrera detta kan man studera figuren nedan där antalet bilar per invånare mellan år 11 har utvecklat sig över tid samt hur andelen som uppger att dom har tillgång till bil i hushållet har utvecklats under samma period Bilar N cars/1000 inh Share HH with car År Figur 21. Utveckling av antal bilar per 1000 invånare i åldern samt utveckling av andelen som angett att dom har tillgång till bil i hushållet. Källa: Bearbetning av data från SCB respektive Undersökningar av levnadsförhållanden (ULF) från SCB. 11 Åldersindelningen är styrd av respondenternas ålder i ULF. 35

36 Noterbara skillnader finns under främst de senaste 10 åren där kurvorna divergerar. Varför kurvorna går åt varsitt håll är naturligtvis ytterst intressant och betydelsefullt för hur bilanvändningen utvecklats. 36

37 3. Resultat Skattning av modeller för färdmedels- och destinationsval Nedan redovisas skattningsresultat för vart och ett av de tolv ärendena. 3.1 Arbete En arbetsresa är en tur-och-retur-resa från bostaden till arbetet. Kedjeresor behandlas inte. Resans ärende bestäms för de flesta ärende-kombinationer av aktivitetens längd (om tiden respondenten är på gymmet är längre än tiden i butik på vägen hem blir resan en rekreationsresa), men arbetsresor och skolresor är överordnade övriga ärenden. En tur-och-retur-resa från bostaden till arbetet som innehåller ett stopp på väg till eller från arbetet blir därmed en arbetsresa oavsett stoppets längd. Till exempel att handla på vägen hem ingår därmed i arbetsresan. Bil som förare är det vanligaste 12 färdmedlet för arbetsresor, se Figur 22. Även andelen kollektivtrafikresor är relativt hög jämfört med andra ärenden. Få gör däremot en arbetsresa som bilpassagerare. Detta avspeglar sig också i att den genomsnittliga sällskapsstorleken är 1.2 för arbetsresor (ingen stor variation mellan regioner). Figur 22. Färdmedelsandelar för arbetsresor, RES 05/06 (ÅDT) Figur 23 visar arbetsresornas starttid. Som förväntat startar de flesta arbetsresorna under förmiddagens rusningsperiod kl. 7-9, men många arbetsresor startar även före klockan 07:00. Figur 23. Fördelning av starttid för arbetsresor, RES 05/06 För arbete finns observationer varav 304 exkluderas vid inläsningen (se avsnitt ). De flesta observationerna (257 stycken) exkluderas på grund av att valt färdmedel inte är tillgängligt (se kriterier i Tabell 2). Övriga exkluderingskriterier är dubbelräknad resa (15 obs), målzon ospecificerad (9 obs), storleksvariabel 0 i målzon (7 12 Detta gäller även om man bara tittar på regionen SAMM där andelen bil som förare är 51%. 37

38 obs), samt respondenten ej förvärvsarbetande (16 obs). Det slutgiltiga skattningsdatamaterialet innehåller således observationer för arbetsresor Reseavdrag För arbetsresor har resenären möjlighet att göra reseavdrag så att reskostnaden minskar. Detta har tagits hänsyn till vid skattning (och även vid implementering) av arbetsresemodellen. Eftersom modellen är skattad på data från 2005/2006 har reseavdraget i skattningen baserats på de regler som gällde vid den tidpunkten. Det innebär att gränsen för avdragsgilla reskostnader är satt till kr i skattningen 13. Enligt skatteverkets regler får avdrag för bilresor göras om tidsvinsten jämfört med kollektivtrafik är mer än två timmar per dag. En avdragsmodell har skattats per region för att se vid vilken tidsskillnad mellan bil och kollektivtrafik som avdrag har gjorts enligt datamaterialet, se Tabell 10. Tidsskillnaderna i Tabell 10 har sedan använts i skattningen av arbetsresemodellen. Tabell 10:Tidskillnad mellan bil och kollektivtrafik vid vilken avdrag gjorts för bilresor Region Tidsskillnad (min) Samm 105 Väst 120 Sydost 120 Skåne 105 Palt 120 Avdrag för arbetsresor med kollektivtrafik får göras om gränsen för avdragsgilla reskostnader överstigits och avståndet till arbetsplatsen är mer än två kilometer. Även denna regel tas hänsyn till i skattningen av arbetsresemodellen Utbudsvariabler När det gäller reskostnaden är parametern skattad per individinkomstklass (för arbetsresor gav följande klassindelning bäst anpassning: klass 1: <200 tkr/år, klass 2: tkr/år och klass 3: >=300 tkr/år). För arbetsresor har inkomstklasserna 1 och 2 en linjär kostnadsformulering (CPPT_cost1 och CPPT_cost2), medan högsta inkomstklassen har en icke-linjär kostnadsformulering (CPPT_cost3*reskostnad + CPPT_cosl3*ln(reskostnad)). Figur 24 visar kostnadskänsligheten för de olika inkomstklasserna. Inkomstklass 1 har högst kostnadskänslighet, klass 2 medel och klass 3 lägst, vilket är som förväntat. Arbetsresor utförda av en respondent som inte förvärvsarbetar har exkluderats från skattningen (endast ett fåtal observationer). Därmed är det få med mycket låg inkomst som gör en arbetsresa. Därför har de två lägsta inkomstklasserna (se Tabell 3) slagits samman till en klass som är bredare än för andra ärenden. 13 År 2018 är denna gräns kr. 38

39 Nytta Nytta ,000-0,200-0,400 Reskostnad (SEK) -0,600-0,800-1,000-1,200-1,400-1,600-1,800-2,000 Ink1 Ink2 Ink3 Figur 24: Reskostnadskänslighet för arbetsresor uppdelat på tre inkomstklasser Figur 25 visar restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot total impedansen från kollektivtrafikens restidskomponenter. I arbetsresemodellen ger linjära formuleringar av bilrestiden bäst modellanpassning (Car_t_li och CarP_t_li). För alla ärenden har en linjär formulering av kollektivtrafikimpedansen valts (PT_Imp_Li) för att säkerställa konsistens mellan utbud, efterfrågan och samhällsekonomisk kalkyl, se avsnitt ,000-1,000 Restid (min) -2,000-3,000-4,000-5,000-6,000 Restid bil som förare Restid bil som passagerare Impedans kollektivtrafik Figur 25: Restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot totala impedansen från kollektivtrafikresan för arbetsresor. 39

40 Nytta Figur 26 visar avståndskostnad för gång och cykel. För gång gav en icke-linjär avståndskostnad bästa modellanpassning (W_distLi och W_distLo), medan bara den linjära delen var signifikant för cykel (BC_distLi). 0,0-0,5-1, Avstånd (km) -1,5-2,0-2,5-3,0-3,5-4,0 Gång Cykel -4,5 Figur 26: Avstånds-onytta för gång och cykel för arbetsresor Tillgångsvariabler Parametern för tillgång till bil i hushållet (Car_HH_C) är som väntat en stor och positiv för arbetsresor (liksom för övriga ärenden). Den ökar således sannolikheten att välja bil som förare om hushållet har tillgång till bil. Tillgång till bil i hushållet har även testats för bil som passagerare, men denna blir inte signifikant. Samåkning sker inte i lika stor utsträckning inom hushållet för arbetsresor jämför med exempelvis ärendet dagligvaruinköp. Bilkonkurrens-parametern är negativ och minskar sannolikheten att välja bil som förare när det finns konkurrens om bilen (CComp_C) Socio-ekonomiska variabler För arbetsresor och alternativen bil som förare och cykel visar sig dummy-variabler för kvinna vara signifikanta (Wom_C och Wom_BC). Båda dessa parametrar är negativa, vilket innebär att vara kvinna minskar sannolikheten att välja alternativet bil som förare respektive cykel. Även en avstånds-variabel för kvinna med hemmavarande barn (WCh_dist) blir signifikant för alternativen bil som förare och bil som passagerare, dvs. sannolikheten för att arbeta långt från hemmet minskar för kvinnor med hemmavarande barn. Ju större hushållsstorlek desto större är sannolikheten att välja bil som förare för arbetsresor (Car_HHStlk). När det gäller färdmedlet gång finns i modellen en dummy-variabel för att bo i flerbostadshus (W_lgh), vilken ökar sannolikheten att gå till arbetet. Anledningen är troligen att flerbostadshus ofta är mer centralt belägna än småhus, och att man därför i många fall har närmare till arbetet. Dummy-variabeln för att bo i flerbostadshus är nära besläktad med de täthetsvariabler som beskrivs i nästa avsnitt. 40

41 3.1.5 Geografiska variabler Sannolikheten att välja bil som passagerare för sin arbetsresa är t.ex. mindre i Samm än i övriga regioner och detta plockas upp av en dummy-variabel för regionen Samm i bilpassageraralternativet (CarP_Samm). En förklaring till denna region-dummy kan vara den större spridningen av arbetsplatser i Samm, som gör det svårt att samåka inom hushållet för att ta sig till sina arbeten. En specifik dummy-variabel för resor som startar i Stockholms innerstad (CCP_SI) fångar upp den lägre sannolikheten att välja de båda bilalternativen för dessa resor. För arbetsresor med cykel finns två vinterkonstanter; en för Palt (BC_Win5) och en för alla andra regioner (BC_Win1234). Båda vinterkonstanterna är negativa, men motståndet mot att cykla till arbetet på vintern är större i Palt än i övriga regioner. För alternativen bil som förare, kollektivtrafik och cykel finns täthetsvariabler i arbetsresemodellen (Car_Tat, PT_Tat och BC_Tat). Täthetsvariabeln blir negativ för bil som förare och kan ses som en proxy för att det är svårt och dyrt att hitta parkering centralt. Även för arbetsresor med cykel blir täthetsvariabeln negativ, vilket kanske är lite förvånande, men även för cykel kan det vara svårt att hitta (en stöldsäker) parkering centralt och innebära risker att cykla i trafiken, vilket troligen gör alternativen gång och kollektivtrafik mer attraktiva. För kollektivtrafik blir täthetsvariabeln positiv som förväntat. Extern lokalisering av arbetsplatser är relativt vanligt i svenska städer och fångas i modellen upp av en negativ dummy för kommuncenter (Cent_k). Denna dummy är en destinationsvariabel som finns med i nyttofunktionerna för alla färdmedel. Zonstorlek för inomzonresor (BC_diag och W_diag) är negativa för både gång och cykel i arbetsresemodellen, vilket innebär det förväntade beteendet att ju större zon desto mindre är sannolikheten att använda gång och cykel som färdmedel till arbetet Storleksvariabler Totalt antal arbetande i målzon är den enda storleksvariabeln i arbetsresemodellen. Dess parameter (Bef(Work_pop)) är låst till 1 för att vara neutral i förhållande till zonindelningen Strukturvariabler Logsumme-parametern (Modes) är 0.73 i arbetsresemodellen, vilket är mycket likt värdet från tidigare Sampers-skattningar för arbetsresor 14. Trafiksystem- och destinationsvariabler har alltså relativt stor påverkan på färdmedelsvalet när det gäller arbetsresor Av modellen implicerade tidsvärden Figur 27 - Figur 29 visar de tidsvärden som modellen implicerar för respektive färdmedel för arbetsresor. Notera att den icke-linjära kostnadsformuleringen för inkomstklass 3 ger ett tidsvärde som ökar med reskostnad för denna inkomstklass. 14 För regionala modeller/arbetsresor var LSM_DC = 0.73 enligt dokumentation om Sampers

42 VOT (SEK/h) VOT (SEK/h) Ink1 Ink2 Ink Reskostnad (SEK) Figur 27: Tidsvärden för bil som förare för arbetsresor uppdelade per inkomstklass Ink1 Ink2 Ink Reskostnad (SEK) Figur 28: Tidsvärden för bil som passagerare för arbetsresor uppdelade per inkomstklass. 42

43 VOT (SEK/h) Ink1 Ink2 Ink Reskostnad (SEK) 0 Figur 29: Tidsvärden för impedans i kollektivtrafiken för arbetsresor uppdelade per inkomstklass Parameterestimat Många olika modeller har testats i skattningen, t.ex. olika indelningar av inkomstklasser och olika formuleringar av kollektivtrafikutbudet i skattningen. Tabell 11 visar den slutligt valda arbetsresemodellen efter genomförande av alla dessa skattningstester. Parametrarna har förväntat tecken och god signifikans. Endast färdmedelsspecifika konstanter (BC_Const, CarP_Const, PT_Const och W_Const) har tillåtits ett t-värde lägre än 1,96 detta eftersom de i modellen har karaktären av kalibreringskonstanter vars värden kommer justeras regionvis vid kalibrering. Tabell 11: Skattade parameter- och t-värden för arbetsresor. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd -0,182-19,7 C Car_t_li Restid -0,039-20,2 B CarP_t_li Restid -0,050-13,7 P CPPT_cost1 Reskostnad inkomst <200 tkr/år -0,019-10,8 B, P, K CPPT_cost2 Reskostnad 200tkr/år <= inkomst -0,015-10,8 B, P, K <300 tkr/år CPPT_cost3 Reskostnad inkomst >=300 tkr/år -0,005-3,6 B, P, K CPPT_cosl3 Ln(reskostnad) inkomst >=300 tkr/år -0,052-3,2 B, P, K PT_Imp_Li Impedans -0,014-27,8 K W_distLi Avstånd -0,278-4,5 G W_distLo Ln(avstånd) -0,631-3,2 G Tillgångsparametrar 43

44 Car_HH_C Tillgång till bil i hushållet 3,388 13,7 B CComp_C Bilkonkurrens -1,619-15,4 B Socio-ekonomiska parametrar Car_HHStlk Hushållsstorlek (dummy) 0,244 6,6 B WCh_dist Kvinna*Förälder till barn 0-18 år*avstånd -0,012-8,5 B, P W_lgh Bor i flerbostadshus (dummy) 0,710 5,1 G Wom_BC Kvinna (dummy) -0,721-5,8 C Wom_C Kvinna (dummy) -1,245-11,6 B Geografiska parametrar BC_diag Zonstorlek för inomzonresor -0,100-2,8 C BC_Tat Täthet i målzon -0, ,3 C BC_Win1234 Vinterkonstant alla regioner utom Palt -1,128-8,0 C (dummy) BC_Win5 Vinterkonstant Palt (dummy) -1,239-4,1 C Car_Tat Täthet i målzon -0, ,0 B CarP_Samm Regionkonstant för Samm (dummy) -0,534-2,3 P CCP_SI Stockholm Innerstad (dummy) -1,729-9,9 B, P Cent_k Kommuncenter (dummy) -0,275-7,0 B, P, K, C, G PT_Tat Täthet i målzon 0, ,4 K W_diag Zonstorlek för inomzonresor -0,086-2,5 G Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant 0,433 1,8 C CarP_Const Alternativspecifik konstant -0,028-0,1 P PT_Const Alternativspecifik konstant -0,758-3,1 K W_Const Alternativspecifik konstant 0,101 0,4 G Storleksparametrar Bef (Work_pop) Antal arbetande i målzon 1 N/A S Strukturparametrar Modes Logsumme-parameter 0,73 9,7 N/A Skattningsstatistik Antal observationer 6747 Log-likelihood Antal skattade parametrar 32 Rho²(0) 0,28 44

45 3.2 Rekreation En rekreationsresa är en tur-och-retur-resa till en fritidsaktivitet, t.ex. en idrottsaktivitet, biobesök, restaurangbesök eller resa till fritidshus. Figur 30 visar färdmedelsandelarna för rekreationsresor i datamaterialet. Alternativet bil som passagerare är betydligt vanligare för rekreationsresor än t.ex. för arbetsresor, vilket beror på att man ofta är fler än en person i resesällskapet vid rekreationsresor. Figur 30. Färdmedelsandelar för rekreationsresor, RES 05/06 (ÅDT) Figur 31 visar att bara en liten andel (7 %) av rekreationsresorna startar före klockan 09:00 på förmiddagen. Rekreationsresor startar i huvudsak under lågtrafik (74 % av resorna) och resterande nästan uteslutande under eftermiddagens rusningsperiod (21 %). Precis som när det gäller färdmedelsandelar liknar rekreationsresornas fördelning av starttider ärendet besök. Figur 31. Fördelning av starttider för rekreationsresor, RES 05/06. För rekreation finns observationer varav 290 exkluderas vid inläsningen (se avsnitt ). De flesta observationerna (232 stycken) exkluderas på grund av att valt färdmedel inte är tillgängligt. Övriga exkluderingskriterier är dubbelräknad resa (18 obs), målzon ospecificerad (32 obs), samt storleksvariabel 0 i målzon (8 obs). Det slutgiltiga skattningsdatamaterialet innehåller observationer för rekreationsresor Utbudsvariabler För rekreationsresor visar sig kostnadskänsligheten variera med inkomstklass. Linjär kostnadsformulering (CPPT_cost0) för den lägsta inkomstklassen (Ink0 < 50tkr/år) och icke-linjär kostnadsformulering (CPPT_cost1*reskostnad + CPPT_cosl1*ln(reskostnad)) för den högsta inkomstklassen (Ink1 >= 50tkr/år) ger bäst modellanpassning. Som förväntat har den lägsta inkomstklassen högst kostnadskänslighet. 45

46 Nytta Nytta ,0-0,5 Reskostnad (SEK) -1,0-1,5-2,0-2,5-3,0 Ink0 Ink1-3,5 Figur 32: Reskostnadskänslighet för rekreationsresor uppdelat på två inkomstklasser. Figur 33 visar restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot total impedansen från kollektivtrafikens restidskomponenter. För rekreationsresor ger linjär formulering av bilrestiden bäst modellanpassning för bil som förare (Car_t_li) icke-linjär formulering ger bäst modellanpassning för bil som passagerare (CarP_t_li och CarP_t_lo). För alla ärenden har en linjär formulering av kollektivtrafikimpedansen valts (PT_Imp_Li) för att säkerställa konsistens mellan utbud, efterfrågan och samhällsekonomisk kalkyl, se avsnitt ,0-1, Restid (min) -2,0-3,0-4,0-5,0 Restid bil som förare Restid bil som passagerare Impedans kollektivtrafik -6,0 Figur 33: Restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot totala impedansen från kollektivtrafikresan för rekreationsresor. Figur 34 visar avståndskostnad för gång och cykel. För både gång och cykel ger linjär avståndskostnad bästa modellanpassning (W_distLi och BC_distLi). 46

47 Nytta 0,0-1, Avstånd (km) -2,0-3,0-4,0-5,0 Gång Cykel -6,0 Figur 34: Avstånds-onytta för gång och cykel för rekreationsresor Tillgångsvariabler Parametern för tillgång till bil i hushållet (Car_HH_C) är som väntat en stor och positiv för rekreationsresor (liksom för övriga ärenden). Den ökar således sannolikheten att välja bil som förare om hushållet har tillgång till bil. Bilkonkurrens-parametern är negativ och minskar sannolikheten att välja bil som förare för rekreationsresor när det finns konkurrens om bilen (CComp_C) Socio-ekonomiska variabler För alternativen bil som förare, bil som passagerare och cykel visar sig dummy-variabler för kvinna vara signifikanta i rekreationsresemodellen (Wom_C, Wom_CP och Wom_BC). Dessa variabler är negativa för alternativen bil som förare och cykel, medan variabeln är positiv för bil som passagerare. Detta innebär att vara kvinna minskar sannolikheten att välja alternativet bil som förare respektive cykel, men ökar sannolikheten att välja bil som passagerare. Hushållsstorlek (Car_HHStlk) påverkar sannolikheten att välja alternativet bil som förare för rekreationsresor: ju större hushåll individen tillhör desto större är sannolikheten att välja bil som förare. När det gäller färdmedlet gång finns i rekreationsresemodellen en dummy-variabel för att bo i flerbostadshus (W_lgh), vilken ökar sannolikheten att gå till rekreationsaktivitet. Anledningen är troligen att flerbostadshus ofta är mer centralt belägna än småhus, och att man därför i många fall har närmare till rekreationsaktiviteter. Dummy-variabeln för att bo i flerbostadshus är nära besläktad med de täthetsvariabler som beskrivs i nästa avsnitt. Även en dummyvariabel för att bo i villa (Villa) blir signifikant för rekreationsresor. Denna ökar sannolikheten att välja alternativen bil som förare eller bil som passagerare. Att vara ensamresenär (BC_alone) ökar sannolikheten för att välja cykel som färdmedel för rekreationsresor. Det kan bero på att det kan vara besvärligt att transportera mycket packning och/eller små barn med cykel. För gång faller en åldersdummy för ungdom (WY_12_17) ut som signifikant för rekreationsresor. Denna innebär att sannolikheten att välja gång som färdmedel minskar för personer i åldrarna 12 till 17 47

48 år. En anledning till detta kan vara att man passerat gränsen på 12 år som många tillämpar som tumregel för när man är mogen att cykla själv i trafiken Geografiska variabler Sannolikheten att välja cykel för sin rekreationsresa är större i Skåne än i övriga regioner och detta plockas upp av en dummy-variabel för regionen Skåne i cykelalternativet (BC_Skane). På liknande sätt finns regionspecifika dummy-variabler för gång för regionerna Samm och Skåne (W_Samm och W_Skane) som båda ökar sannolikheten att välja färdmedlet gång för rekreationsresor i dessa regioner. En specifik dummy-variabel för resor som startar i Stockholms innerstad (CCP_SI) fångar upp den lägre sannolikheten att välja de båda bilalternativen (bil som förare och bil som passagerare) för dessa resor. För cykel finns fem vinterkonstanter; en för varje region (BC_Winter1, BC_Winter2, BC_Winter3, BC_Winter4 och BC_Winter5). För rekreationsresor är alla vinterkonstanterna negativa, men motståndet mot att cykla på vintern är störst i Palt och minst i Skåne, vilket är vad man kan förvänta sig. För alternativen cykel, bil som förare, bil som passagerare och kollektivtrafik finns täthetsvariabler i rekreationsresemodellen (BC_Tat, Car_Tat, CarP_Tat och PT_Tat). Täthetsvariabeln blir negativ för bil som förare och bil som passagerare i rekreationsresemodellen och kan ses som en proxy för att det är svårt och dyrt att hitta parkering centralt. Även för cykel blir täthetsvariabeln negativ, vilket kanske är lite förvånande, men även för cykel kan det vara svårt att hitta (en stöldsäker) parkering centralt och innebära risker att cykla i trafiken, vilket troligen gör alternativen gång och kollektivtrafik mer attraktiva. För kollektivtrafik blir täthetsvariabeln positiv som förväntat. Extern lokalisering av attraktioner för rekreation, så som biografer i anslutning till externa köpcentra, är relativt vanligt i svenska städer och fångas i modellen upp av en negativ dummy för kommuncenter (Cent_k). De skattade parametrarna (BC_diag och W_diag) är negativa för både gång och cykel för rekreationsresor, vilket innebär det förväntade beteendet att ju större zon desto mindre är sannolikheten att använda gång och cykel som färdmedel till arbetet. Dessutom finns för rekreationsresor med start- och målpunkt inom samma zon en dummy (W_OeqD) som ökar sannolikheten att gång används som färdmedel för dessa inomzonsresor Storleksvariabler Modellen för rekreationsresor innehåller en rik uppsättning storleksvariabler som beskriver målzonens attraktivitet. Referens-storleksvariabel är antal boende i målzonen (Bef(LU_pop)), men utöver denna finns även antal arbetande i hotell och restaurang (Dag_55), antal arbetande i dagligvaruhandel (Dag_52), antal arbetande i kultur och sport (Dag_92), antal arbetande i servicebutiker (Dag_50), samt fritidshusyta (FHusYta) med som storleksvariabler Strukturvariabler Logsumme-parametern (Modes) är 0.59 i rekreationsresemodellen. Trafikutbuds- och destinationsvariabler har alltså medelstor påverkan på färdmedelsvalet när det gäller rekreationsresor. 48

49 VOT (SEK/h) VOT (SEK/H) Av modellen implicerade tidsvärden Figur 35 visar de tidsvärden som rekreationsmodellen implicerar. Den icke-linjära formuleringen av reskostnad för inkomstklass 1 ger ett tidsvärde som ökar med reskostnad för denna inkomstklass. Osäkerheterna är stora när det gäller tolkningen av tidsvärden för bil som passagerare eftersom både restid och reskostnad är icke-linjära för detta färdmedel för rekreationsresor och ett genomsnittligt värde har behövt anges på restid vid en viss reskostnad (Tabell 12) för att beräkna det implicerade tidsvärdet (Figur 36) Ink0 40 Ink1 20 Reskostnad (SEK) 0 Figur 35: Tidsvärden för bil som förare för rekreationsresor uppdelat på de två inkomstklasserna Ink0 Ink1 Reskostnad (SEK) Figur 36: Tidsvärden för bil som passagerare för rekreationsresor uppdelat på de två inkomstklasserna. 49

50 VOT (SEK/h) Ink0 Ink1 10 Reskostnad (SEK) 0 Figur 37: Tidsvärden för impedans i kollektivtrafiken för rekreationsresor uppdelat på de två inkomstklasserna. Tabell 12: Genomsnittlig restid vid viss reskostnad för beräkning av tidsvärde för bil som passagerare. Reskostnad (kr) Genomsnittlig restid vid angiven reskostnad (min) Parameterestimat Många olika modeller har testats i skattningen, t.ex. olika indelningar av inkomstklasser och olika formuleringar av kollektivtrafikutbudet i skattningen. Tabell 13 visar den slutligt valda rekreationsresemodellen efter genomförande av alla dessa skattningstester. Parametrarna har förväntat tecken och god signifikans. Endast färdmedelsspecifika konstanter (BC_Const, CarP_Const, PT_Const och W_Const) har tillåtits ett t-värde lägre än 1,96 detta eftersom de i modellen har karaktären av kalibreringskonstanter vars värden kommer justeras regionvis vid kalibrering. Tabell 13: Skattade parameter- och t-värden för rekreationsresor. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd -0,248-18,0 C Car_t_li Restid -0,041-17,2 B CarP_t_li Restid -0,042-14,7 P CarP_t_lo Ln(restid) -0,153-3,3 P CPPT_cost0 Reskostnad inkomst <50 tkr/år -0,030-11,4 B, P, K 50

51 CPPT_cost1 Reskostnad inkomst >=50 tkr/år -0,014-9,8 B, P, K CPPT_cosl1 Ln(reskostnad) inkomst >=50 tkr/år -0,066-5,2 B, P, K PT_Imp_li Restid -0,017-17,1 K W_distLi Avstånd -0,481-19,0 G Tillgångsparametrar Car_HH_C Tillgång till bil i hushållet 3,451 8,1 B CComp_C Bilkonkurrens -1,204-7,7 B Socio-ekonomiska parametrar BC_alone Ensamresenär 0,970 4,7 C Car_HHStlk Hushållsstorlek (dummy) 0,263 4,1 B W_lgh Bor i lägenhet (dummy) 0,860 4,5 G Villa Bor i villa (dummy) 0,664 3,6 B, P Wom_BC Kvinna (dummy) -0,723-3,5 C Wom_C Kvinna (dummy) -1,383-7,5 B Wom_CP Kvinna (dummy) 0,473 2,8 P WY12_17 Ålder ,296-5,8 G Geografiska parametrar BC_Skane Regionkonstant för Syd (dummy) 1,349 4,2 C BC_diag Zonstorlek för inomzonresor -0,105-2,3 C BC_Tat Täthet i målzon -0, ,1 C BC_Winter1 Vinterkonstant Samm (dummy) -2,059-5,8 C BC_Winter2 Vinterkonstant Väst (dummy) -2,727-3,6 C BC_Winter3 Vinterkonstant Sydost (dummy) -2,360-3,2 C BC_Winter4 Vinterkonstant Syd (dummy) -1,581-2,4 C BC_Winter5 Vinterkonstant Palt (dummy) -3,047-4,1 C Car_Tat Täthet i målzon -0, ,8 B CarP_Tat Täthet i målzon -0, ,6 P CCP_SI Stockholm Innerstad (dummy) -1,991-6,3 B, P Cent_k Kommuncenter (dummy) -0,561-10,2 B, P, K, C, G PT_Tat Täthet i målzon 0, ,8 K W_diag Zonstorlek för inomzonresor -0,196-5,1 G W_OeqD Inomzonresa (dummy) 0,854 6,9 G W_Samm Regionkonstant för Samm (dummy) 0,362 2,3 G W_Skane Regionkonstant för Syd (dummy) 0,582 2,2 G Konstanter 51

52 Bike_Const Alternativspecifik konstant 0,196 0,4 C CarP_Const Alternativspecifik konstant 0,784 1,9 P PT_Const Alternativspecifik konstant -0,398-0,9 K W_Const Alternativspecifik konstant 1,237 2,8 G Storleksparametrar Bef (LU_pop) Antal boende i målzon 1 N/A S Dag_50 Antal arbetande i servicebutiker (t ex. 3,115 3,0 S bensinstation) i målzon Dag_52 Antal arbetande i dagligvaruhandel i målzon 7,920 7,9 S Dag_55 Antal arbetande i hotell och restaurang i målzon 27,732 9,6 S Dag_92 Antal arbetande i kultur och sport i målzon 20,994 8,3 S FHusYta Fritidshusyta i målzon 64,411 5,7 S Strukturparametrar Modes Logsumme-parameter 0,59 12,3 N/A Skattningsstatistik Antal observationer 4202 Log-likelihood Antal skattade parametrar 46 Rho²(0) 0,35 52

53 Nytta Dagligvaruinköp En dagligvaruinköpsresa är en tur-och-retur-resa för att handla dagligvaror så som matvaror eller hushållsartiklar. Dagligvaruinköpsresorna är generellt sett kortare än sällaninköpsresorna och sker i större utsträckning med gång eller cykel. Andelen dagligvaruinköpsresor med kollektivtrafik är endast 2 % i datamaterialet, se Figur 38. Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel 42% 13% 2% 36% 7% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Figur 38: Färdemedelsandelar för dagligvaruinköpsresor För alla inköpsresor (både dagligvaruinköp och sällaninköp) finns observationer varav 167 exkluderas vid inläsningen (se avsnitt ). De flesta observationerna (131 stycken) exkluderas på grund av att valt färdmedel inte är tillgängligt. Övriga exkluderingskriterier är dubbelräknad resa (20 obs), målzon ospecificerad (8 obs), samt storleksvariabel 0 i målzon (8 obs). Efter att sällaninköpsresor (1814 obs) exkluderats innehåller det slutgiltiga skattningsdatamaterialet observationer för dagligvaruinköpsresor Utbudsvariabler För dagligvaruinköp har uppdelning i inkomstklasser testats, men det gav en mycket liten förbättring av modellen och kostnadskänsligheten för de olika inkomstklasserna var mycket lika. Därför valdes att gå vidare med samma kostnadsparameter för alla inkomstklasser. Bästa modellanpassning gav en icke-linjär kostnadsformulering: (CPPT_cost*reskostnad + CPPT_cosl*ln(reskostnad)). Kostnadskänsligheten för dagligvaruinköpsresor visas i Figur 39. 0,0-0,5-1,0 Reskostnad (SEK) -1,5-2,0-2,5-3,0-3,5-4,0 Figur 39: Reskostnadskänslighet för dagligvaruinköpsresor. 53

54 Nytta Nytta Figur 40 visar restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot totala impedansen från kollektivtrafikens restidskomponenter. För dagligvaruinköp ger linjär formulering av bilrestiden bäst modellanpassning för både bil som förare (Car_t_li) och bil som passagerare (CarP_t_li). För alla ärenden har en linjär formulering av kollektivtrafikimpedansen valts (PT_Imp_Li) för att säkerställa konsistens mellan utbud, efterfrågan och samhällsekonomisk kalkyl, se avsnitt ,0-1,0-2,0 Restid (min) -3,0-4,0-5,0-6,0-7,0-8,0-9,0 Restid bil som förare Restid bil som passagerare Impedans kollektivtrafik Figur 40: Restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot kollektivtrafikimpedans för dagligvaruinköpsresor. Figur 41 visar avståndskostnad för gång och cykel. För både gång och cykel ger linjär avståndskostnad bästa modellanpassning (W_distLi och BC_distLi). 0,0-1, Avstånd (km) -2,0-3,0-4,0-5,0-6,0-7,0 Gång Cykel -8,0 Figur 41: Avstånds-onytta för gång och cykel för dagligvaruinköpsresor Tillgångsvariabler Tillgång till bil i hushållet blir signifikanta både för bil som förare (Car_HH_C) och bil som passagerare (Car_HH_CP) för dagligvaruinköpsresor. Dummy-variabeln för bil som 54

55 förare har ett högre värde än den för bil som passagerare. Dessa två parametrar minskar kraftigt sannolikheten att en person som saknar bil i hushållet ska använda något av bilalternativen. För dagligvaruinköp finns två bilkonkurrensvariabler en för ensamresenärer (CComp_C1) och en för resenärer som reser i ett sällskap med fler personer (CComp_C2). Bilkonkurrensparametern har ett mer negativt värde för ensamresenärer eftersom två eller flera personer som reser i samma sällskap ofta kan vara från samma hushåll vid en dagligvaruinköpsresa, vilket minskar konkurrensen om bilen Socio-ekonomiska variabler För alternativen bil som förare och bil som passagerare visar sig dummy-variabler för kvinna vara signifikanta för dagligvaruinköp (Wom_C och Wom_CP). Parametern är negativ för bil som förare och positiv för bil som passagerare. Detta innebär att vara kvinna minskar sannolikheten att välja alternativet bil som förare, men ökar sannolikheten att välja bil som passagerare. Hushållsstorlek (Car_HHStlk) påverkar sannolikheten att välja alternativet bil som förare i dagligvaruinköpsmodellen: ju större hushåll individen tillhör desto större är sannolikheten att välja bil som förare. En dummy-variabel för att bo i villa (Villa) blir signifikant och ökar sannolikheten att välja alternativen bil som förare eller bil som passagerare. Att vara ensamresenär (BC_alone) ökar sannolikheten för att välja cykel som färdmedel för dagligvaruinköpsresor. Det kan bero på att det kan vara besvärligt att transportera mycket packning och/eller små barn med cykel. För dagligvaruinköpsresor med cykel finns också åldersspecifika dummy-variabler: att vara 15 år eller yngre (BC_15minus) ökar sannolikheten för att välja cykel, medan att vara 75 år eller äldre (BC_75plus) minskar sannolikheten för att välja cykel som färdmedel för dagligvaruinköpsresor. Åldersspecifik dummy finns även för bil som passagerare, då personer som är 15 år eller yngre (CP_y15) har större sannolikhet att välja detta färdmedel Geografiska variabler Sannolikheten att välja cykel för sin dagligvaruinköpsresa är större i Skåne och Sydost än i övriga regioner och detta plockas upp av dummy-variabler för dessa regioner i cykelalternativet (BC_Skane och BC_Sydost). En specifik dummy-variabel för resor som startar i Stockholms innerstad (CCP_SI) fångar upp den lägre sannolikheten att välja de båda bilalternativen (bil som förare och bil som passagerare) för dessa resor. För cykel finns en vinterkonstant (BC_Winter). För alternativen cykel, bil som förare, bil som passagerare och gång finns täthetsvariabler i dagligvaruinköpsresemodellen (BC_Tat, Car_Tat, CarP_Tat och W_Tat). Alla täthetsparametrar i dagligvaruinköpsmodellen har negativt tecken, vilket tyder på att resa med kollektivtrafik för dagligvaruinköp blir mer attraktivt i mycket täta områden. Generellt görs få dagligvaruinköpsresor med kollektivtrafik i datamaterialet och modellen. Täthetsvariablerna kommer ha störst påverkan för områden centralt i Stockholm, Göteborg och Malmö. Parametern för dummy-variabeln för kommuncenter (Cent_k) får ett positivt värde i dagligvaruinköpsmodellen och ökar därmed sannolikheten att en dagligvaruinköpsresa går till en målzon som är kommuncenter. 55

56 VOT (SEK/h) De skattade parametrarna (BC_diag och W_diag) är negativa för både gång och cykel för dagligvaruinköp, vilket innebär det förväntade beteendet att ju större zon desto mindre är sannolikheten att använda gång och cykel som färdmedel för dagligvaruinköp. Dessutom finns för dagligvaruinköpsresor med start- och målpunkt inom samma zon flera dummy-variabler (W_OeqD, Car_OeqD och CarP_OeqD) som ökar sannolikheten att gång används och minskar sannolikheten att bil som förare och bil som passagerare används som färdmedel för dessa inomzonsresor Storleksvariabler Modellen för dagligvaruinköpsresor innehåller flera storleksvariabler som beskriver målzonens attraktivitet. Referens-storleksvariabel är antal boende i målzonen (Bef(LU_pop)). Utöver denna finns även antal arbetande i dagligvaruhandel (Dag_52) med som storleksvariabel Strukturvariabler Logsumme-parametern (Modes) är 0.31 i dagligvaruinköpsresemodellen. Trafikutbudsoch destinationsvariabler har alltså liten påverkan på färdmedelsvalet när det gäller dagligvaruinköpsresor Av modellen implicerade tidsvärden Figur 42 visar de av daglivaruinköpsmodellen implicerade tidsvärdena. Dagligvaruinköpsmodellen är inte indelad i inkomstklasser och därmed fås bara en tidsvärdeskurva per färdmedel. Eftersom reskostnaden är skattad som icke-linjär i dagligvaruinköpsmodellen är de implicerade tidsvärdena inte konstanta utan ökar med ökande reskostnad Bil som förare Bil som passagerare Kollektivtrafik impedans Reskostnad (SEK) Figur 42: Tidsvärden för dagligvaruinköpsresor Parameterestimat Många olika modeller har testats i skattningen, t.ex. olika indelningar av inkomstklasser och olika formuleringar av kollektivtrafikutbudet i skattningen. Tabell 14 visar den slutligt valda dagligvaruinköpsresemodellen efter genomförande av alla dessa 56

57 skattningstester. Parametrarna har förväntat tecken och god signifikans. Endast färdmedelsspecifika konstanter (BC_Const, CarP_Const, PT_Const och W_Const) har tillåtits ett t-värde lägre än 1,96 detta eftersom de i modellen har karaktären av kalibreringskonstanter vars värden kommer justeras regionvis vid kalibrering. Tabell 14: Skattade parameter- och t-värden för dagligvaruinköpsresor. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd -0,352-13,4 C Car_t_li Restid -0,084-13,2 B CarP_t_li Restid -0,064-11,2 P CPPT_cost Reskostnad -0,015-4,3 B, P, K CPPT_cosl Ln(reskostnad) -0,421-6,2 B, P, K PT_Imp_li Restid -0,037-10,2 K W_distLi Avstånd -0,560-21,3 G Tillgångsparametrar Car_HH_C Tillgång till bil i hushållet 7,011 6,7 B Car_HH_CP Tillgång till bil i hushållet 5,824 5,8 P CComp_C1 Bilkonkurrens ensamresenär -2,360-5,6 B CComp_C2 Bilkonkurrens resesällskapet >1-1,344-3,8 B Socio-ekonomiska parametrar BC_15minus Ålder <=15 2,296 2,2 C BC_75plus Ålder >= 75-2,006-2,2 C BC_alone Ensamresenär 3,469 4,0 C Car_HHStlk Hushållsstorlek (dummy) 0,741 4,9 B CP_y15 Ålder <=15 3,095 3,5 P Villa Bor i villa (dummy) 2,758 5,7 B Wom_C Kvinna (dummy) -1,551-4,1 B Wom_CP Kvinna (dummy) 4,678 6,1 P Geografiska parametrar BC_Skane Regionkonstant för Syd (dummy) 2,736 3,6 C BC_Sydost Regionkonstant för Sydost (dummy) 3,242 4,4 C BC_diag Zonstorlek för inomzonresor -0,307-3,0 C BC_Tat Täthet i målzon -0, ,5 C BC_Winter Vinterkonstant alla regioner (dummy) -3,442-4,8 C Car_OeqD Inomzonresa (dummy) -3,111-6,9 B Car_Tat Täthet i målzon -0, ,2 B CarP_OeqD Inomzonresa (dummy) -2,524-5,5 P CarP_Tat Täthet i målzon -0, ,5 P CCP_SI Stockholm Innerstad (dummy) -5,861-3,9 B, P 57

58 Cent_k Kommuncenter (dummy) 0,274 3,4 B, P, K, C, G W_diag Zonstorlek för inomzonresor -0,605-8,2 G W_OeqD Inomzonresa (dummy) 1,500 11,9 G W_Tat Täthet i målzon -0, ,8 G Konstanter Bike_Const Alternativspecifik konstant -3,316-2,8 C CarP_Const Alternativspecifik konstant -4,068-3,5 P PT_Const Alternativspecifik konstant -3,066-2,7 K W_Const Alternativspecifik konstant 4,456 5,1 G Storleksparametrar Bef (LU_pop) Antal boende i målzon 1 N/A S Dag_52 Antal arbetande i dagligvaruhandel i målzon 76,532 12,9 S Strukturparametrar Modes Logsumme-parameter 0,323 18,7 N/A Skattningsstatistik Antal observationer 2897 Log-likelihood Antal skattade parametrar 39 Rho²(0) 0,56 58

59 Nytta Sällaninköp En sällaninköpsresa är en tur-och-retur-resa för att handla varor som inte är dagligvaror, dvs. för att handla möbler, kläder, sportutrustning etc. Sällaninköpsresorna är längre än dagligvaruinköpsresorna och sker oftast med bil, antingen bil som förare eller bil som passagerare, se Figur 43. Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel 44% 21% 11% 18% 6% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Figur 43: Färdmedelsfördelning för sällaninköpsresor. För alla inköpsresor (både dagligvaruinköp och sällaninköp) finns 4879 observationer varav 167 exkluderas vid inläsningen (se avsnitt ). De flesta observationerna (131 stycken) exkluderas på grund av att valt färdmedel inte är tillgängligt. Övriga exkluderingskriterier är dubbelräknad resa (20 obs), målzon ospecificerad (8 obs), samt storleksvariabel 0 i målzon (8 obs). Efter att dagligvaruinköpsresorna exkluderats (2897 obs) innehåller det slutgiltiga skattningsdatamaterialet 1814 observationer för sällaninköpsresor Utbudsvariabler Även för sällaninköp har uppdelning i inkomstklasser testats, men det gav en mycket liten förbättring av modellen och kostnadskänsligheten för de olika inkomstklasserna var mycket lika. Därför valdes att gå vidare med samma kostnadsparameter för alla inkomstklasser. Bästa modellanpassning gav en icke-linjär kostnadsformulering: (CPPT_cost*reskostnad + CPPT_cosl*ln(reskostnad)). Reskostnadskänsligheten för sällaninköpsresor visas i Figur 44. 0,0-0,5 Reskostnad (SEK) -1,0-1,5-2,0-2,5-3,0 Figur 44: Reskostnadskänslighet för sällaninköpsresor. 59

60 Nytta Nytta Figur 45 visar restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot totala impedansen från kollektivtrafikens restidskomponenter. För dagligvaruinköp ger linjär formulering av bilrestiden bäst modellanpassning för både bil som förare (Car_t_li) och bil som passagerare (CarP_t_li). För alla ärenden har en linjär formulering av kollektivtrafikimpedansen valts (PT_Imp_Li) för att säkerställa konsistens mellan utbud, efterfrågan och samhällsekonomisk kalkyl, se avsnitt ,0-0,5-1,0 Restid (min) -1,5-2,0-2,5-3,0-3,5-4,0-4,5 Restid bil som förare Restid bil som passagerare Impedans kollektivtrafik Figur 45: Restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot kollektivtrafikimpedans för sällaninköpsresor. Figur 46 visar avståndskostnad för gång och cykel. För både gång och cykel ger linjär avståndskostnad bästa modellanpassning (W_distLi och BC_distLi). 0,0-1,0-2, Avstånd (km) -3,0-4,0-5,0-6,0-7,0-8,0 Gång Cykel Figur 46: Avstånds-onytta för gång och cykel för sällaninköpsresor Tillgångsvariabler Tillgång till bil i hushållet blir signifikanta både för bil som förare (Car_HH_C) och bil som passagerare (Car_HH_CP) för sällaninköpsresor. Dummy-variabeln för bil som 60

61 förare har ett högre värde än den för bil som passagerare. Dessa två parametrar minskar kraftigt sannolikheten att en person som saknar bil i hushållet ska använda något av bilalternativen. Parametern blir negativ för bilkonkurrens (CComp_C), vilket minskar sannolikheten att välja bil som förare för sällaninköpsresor om det är konkurrens om hushållets bil Socio-ekonomiska variabler För alternativen bil som förare och bil som passagerare visar sig dummy-variabler för kvinna vara signifikanta för sällanköpsresor (Wom_C och Wom_CP). Parametern är negativ för bil som förare och positiv för bil som passagerare. Detta innebär att vara kvinna minskar sannolikheten att välja alternativet bil som förare, men ökar sannolikheten att välja bil som passagerare. Hushållsstorlek (Car_HHStlk) påverkar sannolikheten att välja alternativet bil som förare för sällanköpsresor: ju större hushåll individen tillhör desto större är sannolikheten att välja bil som förare. När det gäller färdmedlet gång finns i modellen en dummy-variabel för att bo i flerbostadshus (W_lgh), vilken ökar sannolikheten att gå till inköpsstället Geografiska variabler En specifik dummy-variabel för resor som startar i Stockholms innerstad (CCP_SI) fångar upp den lägre sannolikheten att välja de båda bilalternativen (bil som förare och bil som passagerare) för dessa sällanköpsresor. För cykel finns en vinterkonstant (BC_Winter). För alternativen bil som förare, bil som passagerare och kollektivtrafik finns täthetsvariabler i sällaninköpsresemodellen (Car_Tat, CarP_Tat och PT_Tat). Dessa är definierade som antal invånare plus antal sysselsatta per kvadratmeter, där zonyta beräknas som zonens totala yta minus vattenyta. Täthetsparametrarna för bilalternativen har i sällaninköpsmodellen negativt tecken, medan täthetsparametern för kollektivtrafik har positivt tecken. Parametern för dummy-variabeln för kommuncenter (Cent_k) får ett negativt värde i sällaninköpsmodellen och minskar därmed sannolikheten att en sällaninköpsresa går till en målzon som är kommuncenter. Det är förväntat givet att externa köpcentra är vanligt förekommande. De skattade parametrarna (BC_diag och W_diag) är negativa för både gång och cykel i sällaninköpsmodellen, vilket innebär det förväntade beteendet att ju större zon desto mindre är sannolikheten att använda gång och cykel som färdmedel till arbetet. Dessutom finns för sällaninköpsresor med start- och målpunkt inom samma zon, dummy-variabler som minskar sannolikheten att bil som förare och bil som passagerare används som färdmedel för dessa inomzonsresor (Car_OeqD och CarP_OeqD) Storleksvariabler Modellen för sällaninköpsresor innehåller flera storleksvariabler som beskriver målzonens attraktivitet. Referens-storleksvariabel är antal boende i målzonen (Bef(LU_pop)). Utöver denna finns även antal arbetande i dagligvaruhandel (Dag_52), antal arbetande i hotell- och restaurangbranschen (Dag_55), antal arbetande i servicebutiker (Dag_50), samt en variabel för om IKEA finns i zonen (IKEA) med som storleksvariabler. 61

62 VOT (SEK/h) Storleksvariabeln IKEA är en dummy-variabel som är 1 om IKEA finns i målzon. Dess parametervärde kan tyckas mycket stort, men ska sättas i jämförelse med befolkningen i zonen, vilken är referensvariabel. Parametern beskriver därmed hur många personer ett IKEA motsvarar. Summan av destinationens parametervärden * storleksvariabler logaritmeras i nyttofunktionen, se Ekvation Strukturvariabler Logsumme-parametern (Modes) är 0.46 i sällaninköpsresemodellen. Trafikutbuds- och destinationsvariabler har alltså medelstor påverkan på färdmedelsvalet när det gäller sällaninköpsresor Av modellen implicerade tidsvärden Figur 47 visar de av sällaninköpsmodellen implicerade tidsvärdena. Sällaninköpsmodellen är inte indelad i inkomstklasser och därmed fås bara en tidsvärdeskurva per färdmedel. Eftersom reskostnaden är skattad som icke-linjär i sällaninköpsmodellen är de implicerade tidsvärdena inte konstanta utan ökar med ökande reskostnad Bil som förare 40 Bil som passagerare Kollektivtrafik impedans 20 Reskostnad (SEK) 0 Figur 47: Tidsvärden för sällaninköpsresor Parameterestimat Många olika modeller har testats i skattningen av sällaninköpsresor, t.ex. olika indelningar av inkomstklasser och olika formuleringar av kollektivtrafikutbudet i skattningen. Tabell 15 visar den slutligt valda dagligvaruinköpsresemodellen efter genomförande av alla dessa skattningstester. Parametrarna har förväntat tecken och god signifikans. Endast färdmedelsspecifika konstanter (BC_Const, CarP_Const, PT_Const och W_Const) har tillåtits ett t-värde lägre än 1,96 detta eftersom de i modellen har karaktären av kalibreringskonstanter vars värden kommer justeras regionvis vid kalibrering. 62

63 Tabell 15: Skattade parameter- och t-värden för sällaninköpsresor. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd -0,354-10,3 C Car_t_li Restid -0,042-11,5 B CarP_t_li Restid -0,035-10,7 P CPPT_cost Reskostnad -0,012-5,9 B, P, K CPPT_cosl Ln(reskostnad) -0,271-5,3 B, P, K PT_Imp_li Restid -0,027-15,4 K W_distLi Avstånd -0,546-17,6 G Tillgångsparametrar Car_HH_C Tillgång till bil i hushållet 4,438 6,0 B Car_HH_CP Tillgång till bil i hushållet 2,097 3,5 P CComp_C Bilkonkurrens -1,207-4,2 B Socio-ekonomiska parametrar Car_HHStlk Hushållsstorlek (dummy) 0,504 3,9 B PT_Sunday Veckodag = söndag (dummy) -1,835-2,8 K W_lgh Bor i lägenhet (dummy) 2,168 5,4 G W_Wkend Veckodag = lördag eller söndag (dummy) 1,021 3,2 G Wom_C Kvinna (dummy) -1,581-4,6 B Wom_CP Kvinna (dummy) 2,164 5,1 P Geografiska parametrar BC_diag Zonstorlek för inomzonresor -0,260-2,0 C BC_Winter Vinterkonstant alla regioner (dummy) -3,384-4,5 C Car_OeqD Inomzonresa (dummy) -2,039-5,3 B Car_Tat Täthet i målzon -0, ,8 B CarP_OeqD Inomzonresa (dummy) -2,167-4,7 P CarP_Tat Täthet i målzon -0, ,0 P CCP_SI Stockholm Innerstad (dummy) -3,380-5,0 B, P Cent_k Kommuncenter (dummy) -0,232-2,9 B, P, K, C, G PT_Tat Täthet i målzon 0, ,8 K W_diag Zonstorlek för inomzonresor -0,173-2,2 G Konstanter Bike_Const Alternativspecifik konstant -0,666-0,9 C CarP_Const Alternativspecifik konstant -2,024-2,4 P PT_Const Alternativspecifik konstant 0,593 0,8 K W_Const Alternativspecifik konstant 0,025 0,03 G Storleksparametrar Bef (LU_pop) Antal boende i målzon 1 N/A S 63

64 Dag_55 Antal arbetande i hotell och restaurang i målzon 43,416 4,9 S Dag50 Antal arbetande i servicebutiker (t ex. 21,567 3,7 S bensinstation) i målzon Dag_52 Antal arbetande i dagligvaruhandel i målzon 80,170 10,0 S Ikea Ikea i målzon (dummy) 86265,816 5,0 S Strukturparametrar Modes Logsumme-parameter 0,463 12,1 N/A Skattningsstatistik Antal observationer 1814 Log-likelihood -8113,77 Antal skattade parametrar 35 Rho²(0) 0,40 64

65 3.5 Övergripande om skolresor Skolresor är ett stort ärende och resenärerna är ett segment som skiljer sig från andra grupper. Skolresor har blivit ett ärende som genom det fria skolvalet fått en ökande betydelse inte minst i kollektivtrafiken. Även den ökande tendensen att skjutsa barn till skolan har en betydelse för biltrafiken. Skolresor görs också i stor utsträckning i högtrafik och konkurrerar om kapaciteten med arbetsresor. I den tekniska dokumentationen till Sampers noteras att gruppen skolresor är heterogen med allt från 7-åringar till universitetsstudenter. Ärendet är nu segmenterat efter ålder (RVU05/06 har inte skolans nivå knutet till respektive observation) och då efter skolans funktionella indelning (grundskola, gymnasium och vuxenutbildning). SAMS-databasen har kompletterats med segmentering av arbetsplatser per skolnivå (grundskola, gymnasium och vuxenutbildning). Skattningsantagande för att koppla ålder till skolans typ är följande: Grundskola 6-15 år Gymnasium år Vuxenutbildning (övrigt) 19 år och äldre Figur 48 visar färdmedelsandelar totalt och för de tre åldersgrupperna. Första gruppen (6-15 år) får en stor gång-andel medan andra gruppen (16-18 år) mest använder kollektivtrafik. Avvikelse i beteende mellan de tre grupperna finns också i val av starttid med en större spridning över dygnet för de vuxnas skolresor, se Figur 49. Figur 48: Färdmedelsandel per åldersgrupp för skolresor, RVU 05/06 (ÅDT) 65

66 Figur 49: Tidfördelning per åldersgrupp för skolresor (oviktad), RVU 05/06 Kodningen av kollektivtrafiken i EMME har vissa begränsningar, en sådan är urvalet av kodade linjer. Generellt är sällan specialtrafik såsom skolbussar kodade i nätverken. Det förekommer också varianter, främst på landsbygden, där ordinarie linjetrafik är anpassade efter skolans tider. Anpassning av tider är ett problem för modellens tolkning av utbudet. Kostnaden för skolresor är inte heller entydig eftersom skolresor i vissa fall är avgiftsfria. I skattningen har vi valt att alla betalar motsvarande ett månadskort. 66

67 Nytta Grundskola För skolresor (alla skolnivåer) finns observationer varav exkluderas vid inläsningen för grundskola (se avsnitt ). De flesta observationerna (1 069 stycken) exkluderas på grund av respondenten inte är i rätt ålder för grundskola (under 16 år). Övriga exkluderingskriterier är valt färdmedel ej tillgängligt eller storleksvariabel 0 (263 obs) samt dubbelräknad resa (6 obs). Det slutgiltiga skattningsdatamaterialet innehåller således observationer för skolresor till grundskola Utbudsvariabler Reskostnaden ingår inte i modellen för skolresor till grundskola. Figur 50 visar restidskänslighet för bil som passagerare, samt känslighet mot total impedansen från kollektivtrafikens restidskomponenter. I grundskolemodellen ger linjär formulering av bilrestiden bäst modellanpassning (CarP_t_li). För alla ärenden har en linjär formulering av kollektivtrafikimpedansen valts (PT_Imp_li) för att säkerställa konsistens mellan utbud, efterfrågan och samhällsekonomisk kalkyl, se avsnitt ,00-2,00-4,00-6,00-8,00-10,00-12,00-14,00-16,00-18,00 Tid (min) Restid bil som passagerare Impedans kollekitvtrafik Figur 50: Restidskänslighet för bil som passagerare, samt känslighet mot totala impedansen från kollektivtrafikresan för skolresor till grundskola Figur 51 visar avståndskostnad för gång och cykel. För gång och cykel gav en linjär avståndskostnad bästa modellanpassning (W_distLi och BC_distLi). 67

68 Nytta 0,00-2,00 Avstånd (km) ,00-6,00-8,00-10,00-12,00 Cykel Gång Figur 51: Avstånds-onytta för gång och cykel för skolresor till grundskola Tillgångsvariabler Parametern för tillgång till bil i hushållet (Car_HH_CP) är som väntat en stor och positiv för skolresor till grundskola (liksom för övriga ärenden). Den ökar således sannolikheten att välja bil som passagerare om hushållet har tillgång till bil Socio-ekonomiska variabler När det gäller färdmedlet gång finns i modellen en dummy-variabel för att bo i villa (W_villa), vilken ökar sannolikheten att gå till grundskolan. För grundskoleresor finns också åldersspecifika dummy-variabler: att vara 10 år eller yngre (BC_10minus och PT_10minus) minskar sannolikheten för att välja cykel eller kollektivtrafik, medan att vara 11 år eller äldre (CP_11p) minskar sannolikheten för att åka bil som passagerare. Det vill säga om barnet är yngre än 11 år så skjutas ofta barnet till skolan, men om barnet är 11 år eller äldre så åker barnet ofta själv kollektivtrafik eller cyklar till skolan. För alternativet kollektivtrafik visar sig dummy-variabler för kvinna vara signifikanta för grundskoleresor (Wom_PT), Parametern är positiv, vilket innebär att vara kvinna ökar sannolikheten att välja kollektivtrafik. En resesällskapsstorlek på tre personer eller mer (W_sall3p) minskar sannolikheten för att välja att gå till grundskolan Geografiska variabler För grundskoleresor med cykel finns en vinterkonstant (BC_Winter), vilken minskar sannolikheten att cykla på vinterhalvåret. För Stockholms län finns även en dummyvariabel för länet (BC_Sthlm) som minskar sannolikheten att cykla ytterligare, men gäller under hela året. För Skåne finns även en dummy-variabel för regionen (W_Skane) som minskar sannolikheten att gå till grundskolan. För skolresor till gymnasium med start- och målpunkt inom samma zon finns en dummy (W_OeqD) som ökar sannolikheten att gång används som färdmedel för dessa inomzonsresor. För alternativet gång finns även en täthetsvariabel för inomzonsresor i 68

69 grundskolemodellen (W_OeqD3). Täthetsvariabeln blir positiv, vilket är väntat då det centralt oftast är mer attraktivt att gå. Den skattade parametern för zonstorlek för inomzonsresor (WBC_OeqD2) är negativa för både gång och cykel i grundskolemodellen, vilket innebär det förväntade beteendet att ju större zon desto mindre är sannolikheten att använda gång och cykel som färdmedel. Parametern för dummy-variabeln för länscenter (Cent_l) får ett negativt värde i grundskolemodellen och minskar därmed sannolikheten att en skolresa till grundskola går till en målzon som är länscenter. Denna dummy är en destinationsvariabel som finns med i nyttofunktionerna för alla färdmedel Storleksvariabler Total befolkning i målzon är referens-storleksvariabeln i grundskolemodellen. Dess parameter (Bef) är låst till 1 för att vara neutral i förhållande till zonindelningen. Den andra storleksvariabeln är antalet sysselsatta inom grundskola i målzonen (skola_1) Strukturvariabler Logsumme-parametern (Modes) är 0,142 i grundskolemodellen. Trafikutbuds- och destinationsvariabler har alltså väldigt liten påverkan på färdmedelsvalet när det gäller grundskoleresor Av modellen implicerade tidsvärden Inga reskostnadsparameter finns i grundskolemodellen, därmed kan inga tidsvärden beräknas Parameterestimat Många olika modeller har testats i skattningen, t.ex. olika formuleringar av kollektivtrafikutbudet i skattningen. Tabell 17 visar den slutligt valda grundskolemodellen efter genomförande av alla dessa skattningstester. Parametrarna har förväntat tecken och god signifikans. Endast färdmedelsspecifika konstanter (BC_Const, CarP_Const, PT_Const och W_Const) har tillåtits ett t-värde lägre än 1,96 detta eftersom de i modellen har karaktären av kalibreringskonstanter vars värden kommer justeras regionvis vid kalibrering. Tabell 16: Skattade parameter- och t-värden för skolresor till grundskola Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd -0,369-16,5 C CarP_t_li Restid -0,168-26,6 P PT_imp_li Impedans -0,026-24,1 K W_distLi Avstånd -0,533-15,3 G Tillgångsparametrar Car_HH_CP Tillgång till bil i hushållet 14,020 2,8 P Socio-ekonomiska parametrar BC_10minus Ålder 10 år eller yngre (dummy) -5,328-3,0 C 69

70 CP_11p Ålder 11 år eller äldre (dummy) -7,181-3,6 P PT_10minus Ålder 10 år eller yngre (dummy) -10,500-3,8 K Wom_PT Kvinna (dummy) 2,785 2,5 K W_villa Bor i villa (dummy) -7,483-3,7 G W_sall3p Sällskapsstorlek 3 personer eller fler (dummy) -2,323-2,0 G Geografiska parametrar BC_Winter Vinterkonstant (dummy) -10,520-3,7 C BC_Sthlm Regionkonstant för Stockholms län (dummy) -6,787-3,1 C W_Skane Regionkonstant för Skåne (dummy) -4,226-2,3 G W_OeqD Inomzonsresa (dummy) 0,622 3,4 G W_OeqD3 Täthet i målzon för inomzonsresor 0,0001 4,5 G WBC_OeqD2 Zonstorlek (diagonala avståndet) för -0,492-5,6 C, G inomzonsresor Cent_l Länscenter (dummy) -0,713-6,3 B, P, K, C, G Färdmedelsspecifika konstanter Bike_Const Alternativspecifik konstant 12,060 2,7 C PT_Const Alternativspecifik konstant 9,547 2,3 K W_Const Alternativspecifik konstant 17,110 3,3 G Storleksparametrar Bef Totalbefolkning 1,000 N/A S skola_1 Dagbefolkning sysselsatta inom grundskola 68,102 11,1 S Strukturparametrar Modes Logsumme-parameter 0,142 24,7 N/A Skattningsstatistik Antal observationer Log-likelihood Antal skattade parametrar 23 Rho²(0) 0,52 70

71 Nytta Gymnasium För skolresor (alla skolnivåer) finns observationer varav exkluderas vid inläsningen för gymnasium (se avsnitt ). De flesta observationerna (2 125 stycken) exkluderas på grund av respondenten inte är i rätt ålder för gymnasium (16-18 år). Övriga exkluderingskriterier är valt färdmedel ej tillgängligt eller storleksvariabel 0 (380 obs), dubbelräknad resa (5 obs), målzon ospecificerad (6 obs), samt respondenten ej studerande (4 obs). Det slutgiltiga skattningsdatamaterialet innehåller således 483 observationer för skolresor till gymnasium Utbudsvariabler Kostnadsparameter för olika inkomstklasser blev inte signifikanta då det är väldigt få eller inga observationer i de högre inkomstklasserna för skolresor till gymnasium. Därför valdes det att gå vidare med samma kostnadsparameter för alla inkomstklasser. Bästa modellanpassning gav en icke-linjär kostnadsformulering: CPPT_cost0*reskostnad + CPPT_cosl0*ln(reskostnad). Reskostnadskänsligheten för skolresor till gymnasium visas i Figur 52. 0,00 Reskostnad (kr) -0,50-1,00-1,50-2,00-2,50 Bil och kollektivtrafik Figur 52: Kostnadskänslighet för skolresor till gymnasium (en inkomstklass) Figur 53 visar restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot total impedansen från kollektivtrafikens restidskomponenter. I gymnasieresemodellen ger linjära formuleringar av bilrestiden bäst modellanpassning (Car_t_li och CarP_t_li). För alla ärenden har en linjär formulering av kollektivtrafikimpedansen valts (PT_Imp_li) för att säkerställa konsistens mellan utbud, efterfrågan och samhällsekonomisk kalkyl, se avsnitt

72 Nytta Nytta ,00-0,50-1,00-1,50-2,00-2,50-3,00-3,50-4,00-4,50-5,00 Restid bil som förare Restid bil som passagerare Impedans kollekitvtrafik Tid (min) Figur 53: Restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot totala impedansen från kollektivtrafikresan för skolresor till gymnasium Figur 54 visar avståndskostnad för gång och cykel. För gång och cykel gav en linjär avståndskostnad bästa modellanpassning (W_distLi och BC_distLi). 0,00-2,00 Avstånd (km) ,00-6,00-8,00-10,00-12,00 Cykel Gång Figur 54: Avstånds-onytta för gång och cykel för skolresor till gymnasium Tillgångsvariabler Inga tillgångsvariabler blev signifikanta för skolresor till gymnasium Socio-ekonomiska variabler När det gäller färdmedlet cykel finns i modellen en dummy-variabel för att bo i villa (BC_villa), vilken ökar sannolikheten att cykla till gymnasiet Geografiska variabler För gymnasieresor med cykel finns en vinterkonstant (BC_Winter), vilken minskar sannolikheten att cykla på vinterhalvåret. För Palt finns även en dummy-variabel för 72

73 Tidsvärde (kr/h) regionen (BC_Palt) som minskar sannolikheten att cykla ytterligare, men gäller under hela året. För alternativet gång finns en täthetsvariabel i gymnasieresemodellen (W_Tat). Täthetsvariabeln blir positiv, vilket är väntat då det centralt oftast är mer attraktivt att gå. Parametern för dummy-variabeln för kommuncenter (Cent_k) får ett positivt värde i gymnasieresemodellen och ökar därmed sannolikheten att en skolresa till gymnasium går till en målzon som är kommuncenter. Denna dummy är en destinationsvariabel som finns med i nyttofunktionerna för alla färdmedel. För skolresor till gymnasium med start- och målpunkt inom samma zon finns dummys (BC_OeqD och W_OeqD) som oväntat minskar sannolikheten att gång och cykel används som färdmedel för dessa inomzonsresor. Orsaken till detta är troligen att gymnasieskolan vanligtvis ligger i en annan zon än bostaden Storleksvariabler Total befolkning i målzon är referens-storleksvariabeln i gymnasieresemodellen. Dess parameter (Bef) är låst till 1 för att vara neutral i förhållande till zonindelningen. Den andra storleksvariabeln är antalet sysselsatta inom gymnasium i målzonen (skola_2) Strukturvariabler Logsumme-parametern (Modes) är satt till 1 i gymnasieresemodellen Av modellen implicerade tidsvärden Figur 55 visar de av gymnasieresesmodellen implicerade tidsvärdena. Gymnasieresesmodellen är inte indelad i inkomstklasser och därmed fås bara en tidsvärdeskurva per färdmedel. Eftersom reskostnaden är skattad som icke-linjär i gymnasieresesmodellen är de implicerade tidsvärdena inte konstanta utan ökar med ökande reskostnad Reskostnad (kr) Bil som förare Bil som passagerare Kollektivtrafik Figur 55: Tidsvärden för skolresor till gymnasium för olika färdmedel 73

74 3.7.8 Parameterestimat Många olika modeller har testats i skattningen, t.ex. olika indelningar av inkomstklasser och olika formuleringar av kollektivtrafikutbudet i skattningen. Tabell 17 visar den slutligt valda gymnasieresemodellen efter genomförande av alla dessa skattningstester. Parametrarna har förväntat tecken och god signifikans. Endast färdmedelsspecifika konstanter (BC_Const, CarP_Const, PT_Const och W_Const) har tillåtits ett t-värde lägre än 1,96 detta eftersom de i modellen har karaktären av kalibreringskonstanter vars värden kommer justeras regionvis vid kalibrering. Tabell 17: Skattade parameter- och t-värden för skolresor till gymnasium Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd -0,215-6,3 C Car_t_li Restid -0,040-3,2 B CarP_t_li Restid -0,047-5,3 P CPPT_cosl0 ln(reskostnad) för alla inkomstklasser -0,146-3,6 B, P, K CPPT_cost0 Reskostnad för alla inkomstklasser -0,016-4,1 B, P, K PT_imp_li Impedans -0,013 17,2 K W_distLi Avstånd -0,506-5,4 G Socio-ekonomiska parametrar BC_villa Bor i villa (dummy) 1,261 3,4 C Geografiska parametrar BC_Winter Vinterkonstant (dummy) -1,425-4,2 C BC_Palt Regionkonstant för Palt (dummy) -1,409-3,1 C BC_OeqD Inomzonsresa (dummy) -2,485-4,2 C W_tat Täthet i målzon 0, G W_OeqD Inomzonsresa (dummy) -0,985-2,1 G Cent_k Kommuncenter (dummy) 0, B, P, K, C, G Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant 0,033 0,1 C Car_P_Cons Alternativspecifik konstant -1,376-2,6 P PT_Const Alternativspecifik konstant 0,716 1,5 K W_Const Alternativspecifik konstant 0,618 1 G Storleksparametrar Bef Totalbefolkning 1 N/A S skola_2 Dagbefolkning sysselsatta inom gymnasium 112,176 8,92 S Strukturparametrar Modes Logsumme-parameter 1 N/A N/A Skattningsstatistik 74

75 Antal observationer 483 Log-likelihood Antal skattade parametrar 19 Rho²(0) 0,34 75

76 Nytta Vuxenutbildning För skolresor (alla skolnivåer) finns observationer varav exkluderas vid inläsningen för vuxenutbildning (se avsnitt ). De flesta observationerna (2 125 stycken) exkluderas på grund av respondenten inte är i rätt ålder för vuxenutbildning (19 år och äldre). Övriga exkluderingskriterier är valt färdmedel ej tillgängligt eller storleksvariabel 0 (380 obs), dubbelräknad resa (5 obs), målzon ospecificerad (6 obs), samt respondenten ej studerande (4 obs). Det exkluderades även 57 observationer pga. fel i storleksvariabeln. Det slutgiltiga skattningsdatamaterialet innehåller således 405 observationer för skolresor till vuxenutbildning Utbudsvariabler Kostnadsparameter för olika inkomstklasser blev inte signifikanta då det är väldigt få eller inga observationer i de högre inkomstklasserna för skolresor till vuxenutbildning. Därför valdes det att gå vidare med samma kostnadsparameter för alla inkomstklasser. Bästa modellanpassning gav en icke-linjär kostnadsformulering endast för kollektivtrafik: PT_cost0*reskostnad + PT_cosl0*ln(reskostnad). Kostnadsparametern blev inte signifikant för bil som färdsätt. Reskostnadskänsligheten för skolresor till vuxenutbildning visas i Figur 56. 0,00 Reskostnad (kr) -0,50-1,00-1,50-2,00-2,50 Kollektivtrafik Figur 56: Kostnadskänslighet för skolresor till vuxenutbildning med kollektivtrafik (en inkomstklass) Figur 57 visar restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot total impedansen från kollektivtrafikens restidskomponenter. I vuxenutbildningsresemodellen ger linjära formuleringar av bilrestiden bäst modellanpassning (Car_t_li och CarP_t_li). För alla ärenden har en linjär formulering av kollektivtrafikimpedansen valts (PT_Imp_li) för att säkerställa konsistens mellan utbud, efterfrågan och samhällsekonomisk kalkyl, se avsnitt

77 Nytta Nytta ,00 Tid (min) -1,00-2,00-3,00-4,00-5,00-6,00 Restid bil som förare Restid bil som passagerare Impedans kollekitvtrafik Figur 57: Restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot totala impedansen från kollektivtrafikresan för skolresor till vuxenutbildning Figur 58 visar avståndskostnad för gång och cykel. För gång och cykel gav en linjär avståndskostnad bästa modellanpassning (W_distLi och BC_distLi). 0,00-0,50-1,00-1,50-2,00-2,50-3,00-3,50-4,00-4,50 Avstånd (km) Cykel Gång Figur 58: Avstånds-onytta för gång och cykel för skolresor till vuxenutbildning Tillgångsvariabler Parametern för tillgång till bil i hushållet (Car_HH_C) är som väntat en stor och positiv för skolresor till vuxenutbildning (liksom för övriga ärenden). Den ökar således sannolikheten att välja bil som förare om hushållet har tillgång till bil. Bilkonkurrensparametern är negativ och minskar sannolikheten att välja bil som förare när det finns konkurrens om bilen (CComp_C) Socio-ekonomiska variabler Inga socio-ekonomiska variabler blev signifikanta för skolresor till vuxenutbildning. 77

78 3.8.4 Geografiska variabler För skolresor till vuxenutbildning med cykel finns en dummy-variabel för Sydost (BC_Sydost) som ökar sannolikheten att cykla i regionen. För alternativet kollektivtrafik finns en täthetsvariabel i vuxenutbildningsresemodellen (PT_Tat). Täthetsvariabeln blir positiv, vilket är väntat då det centralt oftast är mer attraktivt att åka kollektivtrafik. Parametern för dummy-variabeln för kommuncenter (Cent_k) får ett positivt värde i vuxenutbildningsresemodellen och ökar därmed sannolikheten att en skolresa till vuxenutbildning går till en målzon som är kommuncenter. Denna dummy är en destinationsvariabel som finns med i nyttofunktionerna för alla färdmedel. För skolresor till vuxenutbildning med start- och målpunkt inom samma zon finns en dummy (W_OeqD) som väntat ökar sannolikheten att gång används som färdmedel för dessa inomzonsresor. Den skattade parametern för zonstorlek (WBC_OeqD2) är negativa för både gång och cykel i vuxenutbildningsresemodellen, vilket innebär det förväntade beteendet att ju större zon desto mindre är sannolikheten att använda gång och cykel som färdmedel Storleksvariabler Total befolkning i målzon är referens-storleksvariabeln i vuxenutbildningsresemodellen. Dess parameter (Bef) är låst till 1 för att vara neutral i förhållande till zonindelningen. Den andra storleksvariabeln är antalet sysselsatta inom vuxenutbildning i målzonen (skola_3) Strukturvariabler Logsumme-parametern (Modes) är satt till 1 i vuxenutbildningsresemodellen Av modellen implicerade tidsvärden Figur 59 visar de av vuxenutbildningsresemodellen implicerade tidsvärdena. Vuxenutbildningsresemodellen är inte indelad i inkomstklasser och därmed fås bara en tidsvärdeskurva per färdmedel. I detta fall endast för kollektivtrafik, då bil som färdsätt inte blev signifikant. Eftersom reskostnaden är skattad som icke-linjär i vuxenutbildningsresemodellen är de implicerade tidsvärdena inte konstanta utan ökar med ökande reskostnad. 78

79 Tidsvärde (kr/h) Reskostnad (kr) Kollektivtrafik Figur 59: Tidsvärden för skolresor till vuxenutbildning för kollektivtrafik Parameterestimat Många olika modeller har testats i skattningen, t.ex. olika indelningar av inkomstklasser och olika formuleringar av kollektivtrafikutbudet i skattningen. Tabell 18 visar den slutligt valda vuxenutbildningsresemodellen efter genomförande av alla dessa skattningstester. Parametrarna har förväntat tecken och god signifikans. Endast färdmedelsspecifika konstanter (BC_Const, CarP_Const, PT_Const och W_Const) har tillåtits ett t-värde lägre än 1,96 detta eftersom de i modellen har karaktären av kalibreringskonstanter vars värden kommer justeras regionvis vid kalibrering. Tabell 18: Skattade parameter- och t-värden för skolresor till vuxenutbildning Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd -0,088-3,2 C Car_t_li Restid -0,049-10,9 B CarP_t_li Restid -0,041-4,8 P PT_cosl0 ln(reskostnad) för alla inkomstklasser -0,213-4,3 K PT_cost0 Reskostnad för alla inkomstklasser -0,012-2,8 K PT_imp_li Impedans -0,012-9,9 K W_distLi Avstånd -0,209-3,5 G Tillgångsparametrar CComp_C Bilkonkurrens -1,039-3,1 B Car_HH_C Tillgång till bil i hushållet 2,694 5,9 B Geografiska parametrar BC_Sydost Regionkonstant för Sydost (dummy) 1,630 2,1 C PT_tat Täthet i målzon 0, ,3 K W_OeqD Inomzonsresa (dummy) 1,383 3,6 G 79

80 WBC_OeqD2 Zonstorlek (diagonala avståndet) för -0,659-4,4 C, G inomzonsresor Cent_k Kommuncenter (dummy) 0,842 3,4 B, P, K, C, G Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant 0,481 0,8 C Car_P_Cons Alternativspecifik konstant -0,184-0,3 P PT_Const Alternativspecifik konstant 1,493 2,5 K W_Const Alternativspecifik konstant 1,535 2,4 G Storleksparametrar Bef Totalbefolkning 1 N/A S skola_3 Dagbefolkning sysselsatta inom vuxenutbildning 48,293 6,3 S Strukturparametrar Modes Logsumme-parameter 1 N/A N/A Skattningsstatistik Antal observationer 405 Log-likelihood Antal skattade parametrar 20 Rho²(0) 0,25 80

81 Nytta Besök Besöksresor avser besök på fritiden till släkt och vänner. Ärendet är stort och antalet observationer är som går in i skattningen är I samband med skattningen görs vissa kontroller varvid 165 observationer faller bort och återstår för modellskattningen. Besöksresor har en låg andel bil som förare jämfört med arbete, inköp eller övriga ärenden men har högst andel bil som passagerare av alla ärenden, se Figur 60. Figur 60: Färdmedelsandel för besöksresor, RES 05/06 (ÅDT). Besök är ett ärende som huvudsakligen utförs under lågtrafikperioden (ca 80 procent), resten sker under eftermiddagens högtrafikperiod, vilket kan ses i Figur 61. LT (-7) FM (7-9) LT (9-16) EM (16-18) LT (18-) Besök 1%3% 49% 20% 27% 0% 20% 40% 60% 80% 100% Figur 61: Tidsfördelning för besöksresor, RES 05/ Utbudsvariabler Kostnadskänsligheten representeras av kombinationer av linjär och logaritmerad kostnad. Kostnadsparameter för olika inkomstklasser blev inte signifikanta, därför valdes det att gå vidare med samma kostnadsparameter för alla inkomstklasser. I Figur 62 nedan visas reskostnadskänsligheten för besöksresor. 0 Reskostnad (kr) -0,5-1 -1,5-2 -2,5 Bil och kollektivtrafik Figur 62: Kostnadskänslighet för besöksresor (en inkomstklass). 81

82 Nytta Restidskänslighet med bil som förare utgörs av en linjär formulering (Car_t_li) medan bil som passagerare beskrivs av linjär och logaritmerad restid (CP_t_li och CP_t_lo), se Figur 63. För alla ärenden har en linjär formulering av kollektivtrafikimpedansen valts (PT_Imp_li) för att säkerställa konsistens mellan utbud, efterfrågan och samhällsekonomisk kalkyl, se avsnitt ,5-1 -1,5-2 -2,5-3 -3,5-4 -4,5-5 Figur 63: Restidskänslighet för bil som förare och bil som passagerare, samt känslighet mot totala impedansen från kollektivtrafikresan för besöksresor Tillgångsvariabler Tillgångsvariabler finns för bil som förare och bil som passagerare och utgör ett mått på hur stor möjlighet individen har att använda bil (Car_HH och CP_HH). För bil som förare finns även bilkonkurrens (CComp_C). Noterbart är det kraftiga parametervärdet för tillgång till bil för bil som förare Socio-ekonomiska variabler De socio-ekonomiska parametrar som skattats är kön och ålder. För kvinnor finns dummy-variabler för bil som förare (negativ) och bil som passagerare (positiv) Geografiska variabler Det finns ett stort antal geografiska variabler, främst avseende cykel. Den ena typen är vinterdummies för olika regioner den andra typen är regionala justeringar för cykel. Vinterdummies följer i huvudsak ett nor-sydligt mönster. För bil finns variabler för täthet i destinationszonen för bil som förare och passagerare. För båda färdsätt med bil finns också en dummy för Stockholms innerstad Storleksvariabler Modellen är skattad med fem olika storleksvariabler som förutom att beskriva befolkning och sysselsättning även beskriver förekomst av fritidshusyta i zonen. Den senare är påtagligt kraftig vilket är förväntat för ärendet Strukturvariabler Restid bil som förare Resitd bil som passagerare Impedans kollektivtrafik Logsumme-parametern blir 0,46 i skattningen. 82 Tid (min)

83 VoT: SEK/h Av modellen implicerade tidsvärden Modellen har en komplex struktur för att beskriva tid och kostnad där det förekommer både logaritmerade variabler och linjär i båda dimensioner. Resultatet blir i vissa fall tidsvärdesytor istället för tidsvärden eller tidsvärdeslinjer. Bil som förare har endast linjär tid och tidsvärdet kan illustreras som en linje (figuren nedan) Reskostnad (kr) Bilförare Figur 64. Tidsvärde bil som förare. Bil som passagerare linjära och ickelinjära komponenter vilket resulterar i dubbelkrökta tidsvärdesytor. Figuren kan tyckas dramatiska i sina extremer men de flesta relevanta val ligger inom rimliga tidsvärden. Figur 65. Tidsvärde bil som passagerare. 83

84 3.9.8 Parameterestimat Tabell 4: Skattade parameter- och t-värden för besöksresor. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd C Car_t_li Restid E B CP_t_li Restid E P CP_t_lo ln(restid) P CPPT_cost CPPT_cost_lo Reskostnad för alla inkomstklasser Ln(Reskostnad) för alla inkomstklasser E B, P, K B, P, K PT_Imp_Li Impedans K W_distLi Avstånd G Tillgångsparametrar Car_HH Tillgång till bil i hushållet B CComp_C Bilkonkurrens B CP_HH_CP Tillgång till bil i hushållet P Socio-ekonomiska parametrar Wom_BC Kvinna (dummy) C Wom_C Kvinna (dummy) B Wom_CP Kvinna (dummy) P BC_15minus Ålder 15 år eller yngre (dummy) C BC_alone Ensamresenär C Geografiska parametrar BC_Uppsala BC_Skane BC_sydost Regionkonstant för Uppsala län (dummy) 2.6 C Regionkonstant för Skåne (dummy) C Regionkonstant för Sydost (dummy) C BC_OeqD Inomzonsresa C BC_WintPa BC_WinSk BC_WinSy BC_WinVa BC_WinSa Vinterkonstant för Palt (dummy) Vinterkonstant för Skåne (dummy) Vinterkonstant för Väst (dummy) Vinterkonstant för Ost (dummy) Vinterkonstant för Samm (dummy) C C C C Car_Tat Täthet i målzon E B 84

85 Car_OeqD Inomzonsresa CP_tat Täthet i målzon E P CarP_Samm Regionkonstant för Skåne (dummy) P CP_OeqD Inomzonsresa P CCP_SI Stockholm Innerstad (dummy) B, P W_OeqD Inomzonsresa G Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant C CarP_Const Alternativspecifik konstant P PT_Const Alternativspecifik konstant K W_Const Alternativspecifik konstant G Storleksparametrar Bef (Work_pop) Antal arbetande i målzon 1 N/A S FHus Fritidshusyta i målzon S Dag_55 Sysselsatta inom hotell och restaurang S Bef65 Befolkning 65+ år S Bef017 Befolkning under 17 år S Strukturparametrar Modes Logsumme-parameter N/A Skattningsstatistik Antal observationer 2688 Log-likelihood Antal skattade parametrar 43 Rho²(0)

86 Nytta 3.10 Bostadsbaserade tjänsteresor Tjänsteresor är ett utmanande ärende genom att det är relativt få observationer tillgängliga, endast 367. Det begränsade antalet variabler gör att nyttofunktionen blir relativt innehållsfattig. De centrala utbudsvariablerna gick dock att skatta med signifikans undantaget restid med bil som passagerare. Storleksordningen på den parametern och tidsvärdet är dock rimligt vilket gör att vi behåller den. Kostnaden kommer in i modellen som logaritmerad. Tids och kostnadsparametrarna implicerar relativt höga tidsvärden vilket är förväntat i en modell för tjänsteresor. Inga tillgångsparametrar blev signifikanta såsom tillgång till bil. En förklaring är att för personer som gör tjänsteresor är inte egen bil en restriktion. En socioekonomisk variabel blev signifikant, kvinna för bil. Nedan redovisas modellens känsligheter i Figur 66-Figur 69. 0,00-0,50-1,00-1,50-2,00-2,50-3,00-3,50-4,00-4,50-5, Restid Bil Bil pass. Figur 66. Restidskänslighet för bostadsbaserade tjänsteresor. 86

87 Nytta Nytta 0-0,5-1 -1,5-2 -2,5-3 -3,5-4 -4, Impedans kollektivtrafik Figur 67. Känslighet impedans kollektivtrafik för bostadsbaserade tjänsteresor. Kostnad 0,00-1, ,00-3,00-4,00-5,00 Kostnad Kostnad Figur 68. Kostnadskänslighet för bostadsbaserade tjänsteresor. 87

88 VoT: SEK/h Reskostnad (Kr) Bil förare Bil pass. Figur 69. Av modellen implicerat tidsvärde för bostadsbaserade tjänsteresor. Tabell 4: Skattade parameter- och t-värden för bostadsbaserade tjänsteresor. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd C Car_t_li Restid B CP_t_li Restid P CPPT_costl Reskostnad log B, P, K PT_Imp_Li Impedans K W_distLi Avstånd G Tillgångsparametrar Socio-ekonomiska parametrar Wom_C Geografiska parametrar Kvinna (dummy) Cent_l Länscentrum K C G Cent_k Kommuncentrum CPKGC Cent_SI Stockholm (dummy) Innerstad B, P W_OeqD Inomzonsresa G Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant C CarP_Const Alternativspecifik konstant P PT_Const Alternativspecifik konstant K W_Const Alternativspecifik konstant G Storleksparametrar Bef (Work_pop) Antal arbetande i målzon 1 - S Strukturparametrar B

89 Modes Logsumme-parameter N/A Skattningsstatistik Antal observationer 367 Log-likelihood Antal skattade 16 parametrar Rho²(0)

90 Nytta Nytta 3.11 Arbetsplatsbaserade tjänsteresor Arbetsplatsbaserade tjänsteresor har vissa likheter med bostadsbaserade men också olikheter. Parameteruppsättningen är ungefär densamma med undantag för en dummy för kvinna. Den stora och betydande skillnaden är att kostnadsparametern är låg för arbetsplatsbaserade tjänsteresor. Vi testade även en linjär formulering för kostnaden, dock utan signifikant resultat. Konsekvensen för modellen är att kostnadskänsligheten är obetydlig och att tidsvärdena i modellen blir mycket höga. Nedan följer Figur 70-Figur 73 som illustrerar känslighetsparametrarna. 0-0, ,5-2 -2,5-3 -3,5-4 -4,5-5 Impedans Figur 70. Känslighet impedans kollektivtrafik för arbetsplatsbaserade tjänsteresor. 0,00-0,50-1,00-1,50-2,00-2,50-3,00-3,50-4,00-4,50-5, Tid (minuter) Bil Bil pass. Figur 71. Restidskänslighet för arbetsplatsbaserade tjänsteresor. 90

91 VoT: SEK/h Nytta 0,00-0,50-1,00-1,50-2,00-2,50-3,00-3,50-4,00-4,50-5, Kostnad Kostnad Figur 72. Kostnadskänslighet för arbetsplatsbaserade tjänsteresor Reskostnad (Kr) Bil förare Bil pass. Figur 73. Av modellen implicerat tidsvärde för arbetsplatsbaserade tjänsteresor. Tabell 19. Skattningsresultat för arbetsplatsbaserade tjänsteresor. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd C Car_t_li Restid B CP_t_li Restid P CPPT_costl Ln(0.01+Reskostnad) B, P, K PT_Imp_Li Impedans K W_distLi Avstånd G 91

92 Tillgångsparametrar Socio-ekonomiska parametrar Wom_C Kvinna (dummy) - B Geografiska parametrar Cent_l Länscentrum K C G Cent_k Kommuncentrum CPKGC Cent_SI Stockholm Innerstad (dummy) -2.9 B, P W_OeqD Inomzonsresa G Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant C CarP_Const Alternativspecifik konstant P PT_Const Alternativspecifik konstant K W_Const Alternativspecifik konstant G Storleksparametrar Bef (Work_pop) Antal arbetande i målzon 1 - S Strukturparametrar Modes Logsumme-parameter N/A Skattningsstatistik Antal observationer 367 Log-likelihood Antal skattade 15 parametrar Rho²(0)

93 3.12 Skjutsa Övrigtrese-begreppet har ändrats från tidigare versioner av Sampers till nuvarande skattning genom att separera fler ärenden. I Sampers 2.1 omfattade övriga resor följande ärenden: inköp, service, hälsa, vård, skjutsa samt det som i RVU klassas som övriga ärenden. Inköpsresor är stora ärenden och separata modeller har skattats för inköp av dagligvaror respektive sällanköpsvaror (se avsnitt 0 och 0). De kvarvarande ärendena har emellertid fortfarande stora skillnader avseende färdmedelsval och tidpunkt för avresan (se Figur 74). Figur 74: Färdmedelsandel per ärende, övriga resor, RES 05/06 (ÅDT). Begreppet skjutsa leder tanken till att det enbart handlar om att i egenskap av bil som förare köra någon till en plats utan att själv utföra någon aktivitet. Bil behöver dock inte vara det enda färdsättet utan det kan även handla om att eskortera (exempelvis ett barn) till en aktivitet. Skjutsa görs huvudsakligen med bil (81 procent eller 88 % om man inkluderar även passagerare) medan andra ärenden har en andel bil på ca 50 procent bil. Den största variationen finns inom gång med hela 38 % för ärendet barntillsyn. Man kan också notera avvikelse av kollektivtrafikandel mellan ärenden, från 1-2 procent (barntillsyn, skjutsa) till 13 procent (vård). Tidpunkten för avresa skiljer också mellan ärendena. Resan för barntillsyn ha en topp på morgonen och sedan under lågtrafikperioden fram till Ärendet skjutsa är förhållandevis jämnt fördelat under dagen medan ärendena vård och service huvudsakligen sker dagtid mellan 9 och

94 LT (-7) FM (7-9) LT (9-16) EM (16-18) LT (18-) Övrigt 3% 11% 53% 13% 20% Skjutsa 3% 14% 37% 20% 26% Barntillsyn 2% 35% 57% 5% 1% Service 2% 10% 65% 12% 11% Hälso- och sjukvård 1% 16% 74% 5% 4% 0% 20% 40% 60% 80% 100% Figur 75: Tidsandel per ärende, övriga resor, RES 05/06. För prognosändamål är det en fördel om ärendena grupperas och fördelning i tid är homogena i tid och lättare att förstå resultat och beskriva efterfrågan, infrastrukturbehov samt implementera styrmedel om man delar upp ärendena. Därför skattar vi tre modeller för att få modeller med liknande storlek (antal resor per dygn): skjutsa, service/barntillsyn/vård och övrigt. Det ger mindre information om specifik regionalt beteende pga. få observationer men de enskilda ärendenas egenskaper beskrivs bättre. Delärende av övrigt ärende har följande data i RVU: Tabell 20: Antal observation och resor per dag i RVU Huvudärende Delärende Antal Vikt per dag observationer (tusen) Skjutsa Service SE/BA/VA Barntillsyn Vård Total Övrigt Utbudsvariabler I modellen är kostnaden logaritmerad och parametrarna är i förvändat storleksordning. 94

95 Nytta Nytta Kostnadskänslighet Kostnad Inkomst Samtliga Figur 76. Kostnadskänslighet för ärendet skjutsa. Restidskänslighet Minuter Bil förare Bil passagerare Figur 77. Restidskänslighet för bil som förare och bil som passagerare för skjuts. 95

96 Vot: SEK/h Nytta Impedans kollektivtrafik Impedans Impedans Figur 78. Impedans i kollektivtrafiken för ärendet skjutsa Tillgångsvariabler Modellens enda tillgångsvariabel är förekomst av bil i hushållet. Den är dock mycket stark vilket är förståeligt mot bakgrund av ärendets karaktär Strukturvariabler Även om vi ovan betonade att ärendet skjutsa inte enbart avser att köra någon med bil så är de färdmedelsspecifika konstanterna kraftigt negativa för samtliga färdsätt utom bil. Tidsvärde bil Kostnad Bil förare Bil passagerare Figur 79. Av modellen implicerade tidsvärden för bil. 96

97 VoT: SEK/h Tidsvärde restid i fordonet (kollektivtrafik) Reskostnad (Kr) Samtliga Figur 80. Av modellen implicerade tidsvärden för kollektivtrafik Parameterestimat Tabell 21. Estimat modell för ärendet skjutsa. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd C Car_t_li Restid E B CP_t_li Restid E P Cost_lo Reskostnad B, P, K PT_Imp_Li Impedans E K W_distLi Avstånd G Tillgångsparametrar Car_HH Tillgång till bil i hushållet B Socio-ekonomiska parametrar PT_villa Bor i villa (dummy) K Wom_C Kvinna (dummy) B W_ch06 Småbarn i hushållet G CP_Salls Sällskapsstorlek P CP_25_64 Ålder (dummy) P Geografiska parametrar BC_Win Vinterkonstant C Car_Tat Täthet i målzon E B CP_tat Täthet målzon E P Cent_SI Stockholm Innerstad (dummy) -5.7 B, P BC_OeqD inomzonresa C 97

98 W_OeqD2 Inomzonsavstånd G W_OeqD Inomzonsresa (Dummy) G CP_OeqD Inomzonsresa (Dummy) P Car_OeqD Inomzonsresa (Dummy) B Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant C CarP_Const Alternativspecifik konstant P PT_Const Alternativspecifik konstant K W_Const Alternativspecifik konstant G Storleksparametrar Bef (Work_pop) Antal arbetande i målzon 1 N/A S Dag_92 Dag_55 Sysselsatta SNI kultur och fritid 0.9 S Sysselsatta inom hotell och restaurang S Bef65 Befolkning 65-w år S Bef_017 Befolkning -17 år S Strukturparametrar Modes Logsumme-parameter N/A Skattningsstatistik Antal observationer 1146 Log-likelihood Antal skattade 31 parametrar Rho²(0)

99 Nytta Nytta 3.13 Service, barntillsyn och vård (SeBaVa) I den senaste skattningen hade modellen ganska många dummyvariabler och även färdmedelskonstanter med höga absolutvärden som troligen var ett resultat av korrelationer. Nu har vi plockat bort några variabler med följden att modellens dummyvariabler och konstanter hamnar på betydligt beskedligare nivåer. Tids och kostnadsparametarna är fortsatt på ungefär samma nivåer som tidigare Utbudsvariabler Modellen är enkel avseende utbudsvariabler, vid skattning med olika inkomstklasser noterades små skillnader mellan olika inkomstklasser vilket ledde till en modell med endast en inkomstklass. Utbudsvariablerna är också linjära vilket bidrar till enkelheten. I figurerna nedan följer illustrationer av känsligheten för kostnad, tid och avstånd. 0-0,5-1 -1,5-2 -2,5-3 -3,5-4 -4, Kostnad (kr) Samtliga Figur 81. Kostnadskänslighet för resor till service, barntillsyn och vård. 0-0,5-1 -1,5-2 -2,5-3 -3,5-4 -4, Tid (min) Impedans kollektivtrafik Bil förare Bil passagerare Figur 82. Restidskänslighet för resor till service, barntillsyn och hälsovård. 99

100 Nytta Avstånd (km) Gång Cykel Figur 83. Avståndskänslighet för gång och cykel för resa till service, vård och barntillsyn Tillgångsvariabler Modellen omfattar två tillgångsvariabler, bil i hushållet och bilkonkurrens som påverkar sannolikheten att välja bil som förare. Båda variablernas effekt är påtaglig Socio-ekonomiska variabler Fyra socioekonomiska variabler är inkluderade i modellen. Kvinna finns med som dummy-variabel i valet bil som förare och bil som passagerare. För bil som förare är variabeln kraftigt negativ och för bil som passagerare är variabeln kraftigt positiv. Att vara kvinna ökar alltså sannolikheten att resa som passagerare. Två åldersvariabler finns med, en för bil som förare där sannolikheten att använda bil som förare går ner för personer över 65 år. Vi har också en variabel för personer under 15 år vilket ökar sannolikheten att använda bil som passagerare. Äldre barn är som regel mer självständiga och kan ta sig utan att bli skjutsade Geografiska variabler Det finns ett antal variabler som skiljer i geografin. Det är variabler definierade för områden och dels variabler som beskriver områdenas geografi. För gång och cykel har vi regionala konstant för Skåne som är kraftigt positiv, man åker mer cykel i Skåne. I SAMM finns en regional gångkonstant som är positiv liksom en positiv konstant för kollektivtrafik. Cykel och gång preciseras i modellen med några geografiska variabler som tar hänsyn till vinter (mycket negativt) och hanterar det faktum att trafikzoner inte kan beräkna inomzonsavstånd på ett bra sätt. Det finns en dummy för gång som ökar sannolikheten att gå om resan sker inom zonen och en variabel för inomzonsavstånd för gång och cykel. Slutligen finns en negativ variabel för att göra en resa till service, barntillsyn eller vård inom Stockholms innerstad. 100

101 Storleksvariabler Storleksvariablerna består av nattbefolkning, dagbefolkning sysselsatt inom hotell och restaurang, dagbefolkning sysselsatta inom utbildning samt total dagbefolkning. Ett negativt värde innebär inte att det repellerar utan att effekten är mycket liten Strukturvariabler Logsumme-parametern är låg, endast Parameterestimat Tabell 22. Skattningsresultat för resa till service, barntillsyn och vård. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd C Car_t_li Restid B CarP_t_li Restid P CPPT_cost Reskostnad B, P, K PT_Imp_Li Impedans K W_distLi Avstånd G Tillgångsparametrar Car_HH_C Tillgång till bil i hushållet B CComp_C Bilkonkurrens B Socio-ekonomiska parametrar Wom_C Kvinna (dummy) B Car_65y Äldre än 65 år (dummy) B CP_y15 Yngre än 15 år P Wom_CP Kvinna (Dummy) P Geografiska parametrar BC_Win1234 Vinterkonstant cykel C BC_Skane Konstant Skåne (dummy) C Car_Tat Täthet i målzon B Cent_si Stockholms innerstad (dummy) B, P, K, C, G PT_Samm Kollektivtrafik SAMM K W_OeqD O=D G WBC_OeqD2 Inomzonsavstånd G, C W_SAMM Gång i SAMM (Dummy) G Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant C CarP_Const Alternativspecifik konstant P PT_Const Alternativspecifik konstant K W_Const Alternativspecifik konstant G 101

102 Storleksparametrar LU_pop Nattbefolkning 1 N/A S Dag_55 Dag_85 Sysselsatta inom hotell och restaurang i målzon Antal arbetande inom utbildning i målzon S S DBT Dagbefolkning S Strukturparametrar Modes Logsumme-parameter N/A Skattningsstatistik Antal observationer 1470 Log-likelihood Antal skattade parametrar 28 Rho²(0)

103 Nytta Nytta 3.14 Övriga resor Övriga resor är en diffus samling ärenden som i den här versionen av Sampers verkligen blivit övriga. Tidigare gick det att utskilja ganska stora block av ärenden såsom inköpsresor. Nu utgörs övrigt av det dom i RVU är kod 25, Annat ärende Utbudsvariabler Utbudsvariablerna är fördelade på kostnad och tid. I modellen finns tre olika inkomstklasser som har en förväntad relation mellan parametrarna. Tidskänsligheten är förhållandevis lika mellan bil som passagerare och bil som förare. Kostnadskänslighet 0-0, ,5-2 -2,5-3 Kostnad Inkomst < Inkomst Inkomst Figur 84. Kostnadskänslighet för övriga resor efter inkomstklass. Restidskänslighet Restid Bil förare Bil passagerare Figur 85. Restidskänslighet för bil som förare och bil som passagerare. 103

104 Nytta 0-0,5-1 -1,5-2 -2,5-3 -3,5-4 -4, Impedans Figur 86. Restidskomponenter kollektivtrafik Tillgångsvariabler Modellen har skattats med tre tillgångsvariabler, bil i hushållet (förare och passagerare) samt bilkonkurrens. Tillgångsvariablerna är mycket kraftiga och styr tydligt färdmedelsvalet i modellen Socio-ekonomiska variabler Vi har två dummies för kvinna, bil som passagerare och bil som förare med förväntade tecken. Vi har även en negativ variabel för personer över 65 år för bil som förare Geografiska variabler Geografin är ganska rikhaltigt beskriven i modellen med variabler som sticker ut. Variabeln för vinter är stark och täcker alla regioner, man gör inte cykelresor för dessa ärenden under vinter. Vi har också en negativ parameter för region Syd-ost som vi inte riktigt har några starka argument för men får följa med in i modellen. Övriga geografiska variabler har förväntade tecken och storlekar som inte sticker ut Storleksvariabler De storleksvariabler som förekommer är ganska allmänna, befolkning och antal sysselsatta inom hotell och restaurang. Både representerar platser där det är folk respektive centralitet Av modellen implicerade tidsvärden Tidsvärdena visas i figuren nedan och de kan väl beskrivas som åt det höga hållet. Eftersom tidsparametern för bil som passagerare är snarlik med bil som förare är även tidsvärdena snarlika (och redovisas inte med figur). 104

105 VoT: SEK/h Tidsvärde: Bil förare Kostnad Låg Mellan Hög Figur 87. Tidsvärde för bil som förare efter inkomstklass Parameterestimat Tabell 23. Parameterestimat för resor övriga ärenden. Parameternamn Beskrivning Estimat t-värde Färdmedel Utbudsparametrar BC_distLi Avstånd C Car_t_li Restid B CarP_t_li Restid P CPPT_cost1 CPPT_cost2 CPPT_cost3 Cost_12_lo Cost1_lo Cost0_lo Reskostnad om inkomst <50 tkr/år Reskostnad om inkomst >= 50 tkr/år och inkomst <200 tkr/år Reskostnad om inkomst >=200 tkr/år Ln(Reskostnad) om inkomst >200 tkr Ln(reskostnad) om inkomst >=50 tkr och inkomst <200tkr Ln(reskostnad) om inkomst <50 tkr/år B, P, K B, P, K B, P, K B, P, K B, P, K B, P, K PT_Imp_Li Impedans K W_distLi Avstånd G Tillgångsparametrar Car_HH_C Tillgång till bil i hushållet B CComp_C Bilkonkurrens B CP_HH Tillgång till bil i hushållet P Socio-ekonomiska parametrar

106 Wom_C Kvinna (dummy) B Wom_CP Kvinna (dummy) P Car_65y Ålder C Geografiska parametrar BC_Win1234 Vinterkonstant alla regioner (dummy) C BC_Skane Skåne (dummy) C Car_Tat Täthet i målzon B C_OeqD Inomzonsresa B CP_tat Täthet målzon P CP_OeqD Inomzonsresa (Dummy) Cent_SI Stockholm (dummy) Innerstad B, P PT_Sydost Dummy Sydost K W_samm Dummy SAMM G W_OeqD Inomzonsresa G Färdmedelsspecifika konstanter BC_Const Alternativspecifik konstant C CarP_Const Alternativspecifik konstant P PT_Const Alternativspecifik konstant K W_Const Alternativspecifik konstant G Storleksparametrar TotB_ant Antal boende 1 N/A S Dag_55 Antal sys. Hotell, rest S Strukturparametrar Modes Logsumme-parameter N/A Skattningsstatistik Antal observationer 1342 Log-likelihood Antal skattade 32 parametrar Rho²(0)

107 3.15 Intern validering av modellerna för färdmedels- och destinationsval Modellerna för färdmedels- och destinationsval valideras internt genom att tillämpas på de data de är skattade på och se hur väl resultaten stämmer överens med RVU-data. Detta görs genom att göra så kallade APPLY-körningar i ALogit för alla de slutliga modellerna redovisade i föregående kapitel. Intern validering har gjorts för alla ärenden avseende modellens förmåga att återskapa färdmedelsfördelning uppdelat på: Kön Region Inkomst Hushållsstorlek Bilinnehav Det finns inte plats att redovisa resultaten av den interna valideringen för alla ärenden. Nedan redovisas resultat för arbetsresor, som är det ärende med flest observationer. Figur 88 visar på mycket god överensstämmelse av färdmedelsfördelning uppdelat på kön. För bil som förare och cykel är detta väntat då dummy-variabler för kvinna ser till att justera in modellen för dessa färdmedel, men även övriga färdmedel visar på en mycket god överensstämmelse Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel RVU, Kvinna Modell, kvinna RVU, man Modell, man Figur 88: Jämförelse RVU och modell av antal kvinnor/män som väljer ett visst färdmedel för arbetsresor. Figur 89 visar procentuell skillnad mellan antal observationer per färdmedel och region i modellkörning jämfört med RVU. Överensstämmelsen är god förutom för gång och cykel i Skåne där gång överskattas och cykel underskattas i modellen. 107

108 100% 80% 60% 40% 20% 0% -20% -40% -60% -80% -100% Samm Väst Sydost Skåne Palt Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel Figur 89: Procentuell skillnad mellan modell och RVU för antal observationer uppdelat på färdmedel och region för arbetsresor. Figur 90 visar god överensstämmelse mellan modell och RVU för arbetsresor utförda av personer med inkomst mellan ksek per år. För låga inkomster överskattar modellen antal cykelresor och för höga inkomster överskattar modellen antal resor för bil som passagerare. Det bör noteras att andelen bil som passagerare är liten för arbetsresor. 100% 80% 60% 40% 20% 0% -20% -40% -60% -80% -100% Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel Figur 90: Procentuell skillnad mellan modell och RVU för antal observationer uppdelat på färdmedel och inkomst för arbetsresor. Figur 91 visar skillnad mellan modell och RVU för hushållsstorlek. Överensstämmelsen är i stora drag god, men modellen underskattar antalet som väljer bil som passagerare för hushåll med få personer och överskattar antal som väljer bil som passagerare i hushåll med fyra personer. 108

109 100% 80% 60% 40% 20% 0% -20% -40% -60% -80% -100% Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel Figur 91: Procentuell skillnad mellan modell och RVU för antal observationer uppdelat på färdmedel och hushållsstorlek för arbetsresor. Figur 92 visar procentuell skillnad mellan modell och RVU för färdmedelsval givet olika bilinnehav. Färdmedelsfördelningen för innehav av 1 bil visar god överensstämmelse. Modellen underskattar dock antal bil som passagerar-resor och överskattar antal kollektivtrafikresor vid bilinnehav 3-9 bilar, men för denna klassa av mycket högt bilinnehav är antal observationer få i RVU (12 obs för bil som passagerare och 15 obs för kollektivtrafik). 100% 80% 60% 40% 20% 0% -20% -40% -60% -80% -100% Bil som förare Bil som passagerare Kollektivtrafik Gång Cykel Figur 92: Procentuell skillnad mellan modell och RVU för antal observationer uppdelat på färdmedel och bilinnehav för arbetsresor. Vid en jämförelse av resultaten för andra ärenden kan man se att modellerna generellt har svårigheter att återskapa antal som väljer kollektivtrafik vid stort bilinnehav (överskattning), kollektivtrafik vid stor hushållsstorlek (överskattning), kollektivtrafik vid nollinkomst (underskattning), kollektivtrafik vid höga inkomster (överskattning), samt cykel vid stort bilinnehav (överskattning). Den sämre överensstämmelsen för bil som passagerare som syns i resultaten för valideringen av arbetsresor syns inte i samma utsträckning för andra ärenden och beror därför troligen på den låga andelen bil som passagerare för arbetsresor. 109

110 3.16 Elasticiteter Elasticitetsberäkningar har gjorts för de fyra stora ärendena: arbete, rekreation, dagligvaruinköp och besök. Elasticiteterna visar hur stor ändring en förändring av utbudet ger när det gäller antal resor med olika färdmedel. De tre förändringar av utbudet som har testats för de fem ärendena är: - Ökning av reskostnad för bil som förare, bil som passagerare och kollektivtrafik med 10% - Ökning av bilrestid med 10% - Ökning av kollektivtrafikimpedans med 10% För att se om effekten är symmetrisk har för arbetsresor även en minskning av bilrestiden med 10% testats. Testet med minskad bilrestid för arbetsresor gav liknande nivåer som ökad bilrestid, endast något större påverkan på antal resor (efterfrågan bil som förare ökar 1,9% jämfört med -1,8% vid ökad bilrestid). Elasticitetskörningarna görs genom att göra APPLY-körningar av modellerna i Alogit med förändrat utbud. Tabell 24 visar påverkan på efterfrågan för olika färdmedel då de tre ökningarna testas för arbetsresor. Resultaten har förväntat tecken överlag, t.ex. minskar kollektivtrafikresorna när impedansen ökas och bilresorna minskar när bilrestiden ökas. Eftersom den procentuella förändringen av efterfrågan är mindre än procentuella förändringen av utbudet så innebär det att efterfrågan är oelastisk. En förändring i utbud ger således inte upphov till dramatiska förändringar i färdmedelsvalet. Starkast påverkan har en förändring av impedansen för kollektivtrafik som ger en procentuell förändring av kollektivtrafikresande i samma storleksordning som utbudsförändringen (nästan enhetselastisk). Även kors-elasticiteterna har rätt tecken. Påverkan på gång och cykel är något högre än påverkan på bilalternativen när impedansen ökas. Tabell 24: Resultat av elasticitetskörningar för arbetsresor Färdmedel +10% reskostnad +10% bilrestid +10% kollimpedans Bil som förare -0,049-0,183 0,160 Bil som passagerare -0,004-0,290 0,199 Kollektivtrafik -0,029 0,339-0,935 Gång 0,156 0,251 0,311 Cykel 0,159 0,281 0,310 Även resultaten för rekreationsresor har förväntade tecken på förändringar av efterfrågan utifrån ändring i utbud (Tabell 25). Storleksordningen på förändringarna är mycket lika de för arbetsresor. En skillnad är hur kollektivtrafikresandet reagerar på ändring av reskostnad där arbetsresorna är mindre elastiska än övriga ärenden på grund av antagande om kortinnehav. Tabell 25: Resultat av elasticitetskörningar för rekreationsresor Färdmedel +10% reskostnad +10% bilrestid +10% kollimpedans Bil som förare -0,057-0,129 0,061 Bil som passagerare -0,033-0,198 0,096 Kollektivtrafik -0,200 0,256-0,974 Gång 0,149 0,239 0,

111 Cykel 0,149 0,212 0,151 Tabell 26 visar resultaten för dagligvaruinköp. Generellt är detta ärende mindre elastiskt i färdmedelsval jämfört med arbete och rekreation. Att korselasticiteten för bil-, cykel och gång-alternativen är så pass låga när impedansen ökas beror på att andelen kollektivtrafikresor är mycket låg i utgångsläget för dagligvaruinköp. Tabell 26: Resultat av elasticitetskörningar för dagligvaruinköp Färdmedel +10% reskostnad +10% bilrestid +10% kollimpedans Bil som förare -0,049-0,094 0,011 Bil som passagerare -0,044-0,071 0,014 Kollektivtrafik -0,119 0,104-0,896 Gång 0,069 0,113 0,033 Cykel 0,061 0,091 0,030 Tabell 27 visar resultaten för besöksresor. Mönstret är det samma som för flera andra ärenden där kollektivtrafik har högst kostnadskänslighet. Besöksresor är relativt okänsligt för ökad bilrestid jämfört med de andra ärendena. Att justera impedansen innebär att samtliga restidskomponenter för kollektivtrafik ändras. Egenelasticiteten är påtaglig, men ändå lägst av de studerade ärendena. Tabell 27: Resultat av elasticitetskörningar för besöksresor Färdmedel +10% reskostnad +10% bilrestid +10% kollimpedans Bil som förare -0,050-0,066 0,045 Bil som passagerare -0,041-0,148 0,077 Kollektivtrafik -0,085 0,142-0,759 Gång 0,123 0,153 0,152 Cykel 0,107 0,124 0,138 En jämförelse av elasticiteter från skattningen av Sampers 2.1 visar inga dramatiska skillnader jämfört med Sampers4. De största skillnaderna ligger i restidskänsligheten för bil som passagerare för arbetsresor som är högre för Sampers4 jämfört med Sampers2.1 (-0.29 jmf -0.02) och lägre för bil som förare för besöksresor ( jmf ). 111

112 3.17 Sammanställning av socio-ekonomiska variabler per ärende Sampers4 innehåller relativt många ärenden 12 stycken. Eftersom definitionen av ärendena blivit skarpare (tidigare ingick till exempel inköp i övrigtresor) kan det bli enklare att tolka resultaten från modellerna. Dock kan det vara lite svårt att få en överblick av var olika variabler påverkar i modellen. Tabell 28 visar därför en sammanställning av vilka variabler som ingår för olika ärenden. Tabell 28: Översikt över socio-ekonomiska variabler och deras förekomst för olika ärenden (B- bil som förare, P bil som passagerare, K kollektivtrafik, G gång och C - cykel). Inkomst Boendetyp Ålder Gruppering Besök Skola Skola Skola Skjutsa SeBaVa Övrigt Sällaninköinkötion Daglig- Tjänste Arbete Rekrea- grund gym övr Villa G C K B B, P Ffhus G G G 6-10 (Grund) C C, K G C, P (Grund) C P G C, P G (Gymn) G (Gymn) (Vux) (Vux) P B B 75+ B B C Bil i hushåll >=1 B, P P B B B, P B, P B, P B, P B B Hushållsstlk B B B B 112

113 Kön Sällskap Gruppering Besök Skola Skola Skola Skjutsa SeBaVa Övrigt Sällaninköinkötion Daglig- Tjänste Arbete Rekrea- grund gym övr Kvinna B, P, C K K, B B, P B, P B, P B, P B C, B C, B, P Kvinna*förälder *avstånd B, P Ensam C C C >=3 G P Bilkonkurrens Barn i hushåll B B B B B B B B G 113

114 4. Resultat - Skattning av resegenereringsmodell Skattningsresultaten är fördelade på fyra tabeller efter antalet resor i resmönstren. Samtliga redovisas i Bilaga 3. Nedan följer noteringar och förklaringar till estimaten. Det stora antalet nyttofunktioner gör att vi inte kan kommentera varje enskild funktion utan vi kommenterar huvudsakligen variablernas effekt. Inledningsvis här ger vi generella kommentarer över alla resmönster och i anslutning till resmönstren för respektive antal resor något mer i detalj vid behov. Vid tolkningen av parametrarnas tecken och inbördes storlek är det viktigt att komma ihåg att valen inte bara sker mellan olika ärenden på samma nivå utan även mellan antal av ärenden. 4.1 Logsumma Logsumman är nyttan med att göra en resa som kommer från färdmedels- och destinationsvalsmodellerna. Logsumman är också ett bra mått på tillgänglighet. För enresemönstren används eller testades logsumman från det ärende som ska genereras. För resmönster med flera ärenden testades logsumman från de ingående ärenden och den som bidrog mest till förklaringen valdes. I de fall ärendet är sammansatt eller ärenden med målpunkter som är diffusa testades olika logsummor exempelvis logsumma till inköp som uttrycker en form av centralitet. De logsummor som beräknats avser observerat innehav av bil och körkort. I tabellerna i bilaga 3 under rubriken beskrivning återfinns vilken logsumma som använts i respektive nyttofunktion. Logsumman för respektive ärende följer ett rimligt mönster, låg känslighet eller ej signifikant effekt för obligatoriska ärenden som skola (skola är i praktiken obligatorisk till och med gymnasiet) och arbete (signifikant men lågt parametervärde) givet att man arbetar eller går i skola. Vilket betyder att till skola och arbete åker man oberoende om tillgängligheten är bra eller dålig. För ärenden med större flexibilitet för hur aktiviteten organiseras är betydelsen av logsumman större. I samtliga fall är logsumman positiv, dvs ökar tillgängligheten förväntas att fler resor av ärendekombinationen sker. Genomgående har parametrarna för logsumman låga värden för enresemönstren meden de är genomgående högre för tvåresemönstren i de nyttofunktioner där variabeln förekommer som signifikant. 4.2 Inkomstvariabler Inkomstvariablerna har en central funktion i en genereringsmodell där de förklarar möjligheten att delta i aktiviteter och att betala för dessa. Vi förväntar oss exempelvis att aktiviteter som inte är förknippade med någon kostnad ska vara negativa i inkomst medan aktiviteter som är förknippade med kostnader ska vara positiva. Inkomst kan också vara en indikator på om personen arbetar hel- eller deltid vilket påverkar genereringen av arbetsresor. Många ärenden som görs inom ett hushåll är hushållsgemensamma och inkomst kan vara en indikator på att hur ärenden fördelas inom hushållet. Exempelvis kan det vara så att en deltidsarbetande med lägre inkomst tar större del av resorna som har att göra med underhåll av hushållet (inköp, service etc.). Generellt så ger höga inkomster eller i vart fall inte avsaknad av inkomst fler resor och det är särskilt tydligt på resmönstret med fyra resor. Det ärende som reagerar tydligast på höga inkomster är inköp. Inkomst är också korrelerat med logsummorna eftersom dessa är segmenterade på inkomst. I den här versionen av genereringsmodellen föll några inkomstvariabler bort 114

115 till förmån för logsummor. Inkomst samvarierar också med förekomst av bil i hushållet som är en stark variabel. 4.3 Demografi Vi har med kön, ålder och förekomst av barn i hushållet. Ett tydligt resultat är att män i lägre utsträckning deltar i resmönster som omfattar inköp, service, barntillsyn dvs. hushållens underhållsaktiviteter. Ålder har betydelse för att göra serviceärenden (65+). Det är också ganska tydligt att unga vuxna har en högre benägenhet att utföra en rekreationsaktivitet före arbete eller en annan aktivitet. Möjligen för att den åldersgruppen inte är begränsade av barn och familj. Barn i hushållet har en mycket kraftig effekt på resegenereringen avseende service, barntillsyn och att skjutsa. 4.4 Helg och säsong Det finns ett stort antal variabler som beskriver helg och säsong. De finns för att hålla typiska säsongsberoende resor till rätt tidpunkt. Betydelsen är stor och de här variablerna ger en möjlighet att använda modellen för att studera resandets tidsdimension över år och vecka på ett bra sätt. Motsvarande variabler fanns i tidigare version av Sampers. 4.5 Enresemönster En resa är det vanligaste resmönstret. Eftersom vi har ett begränsat antal nyttofunktioner med enresemönster kan vi kommentera dessa något mer utförligt. Arbete (2) 15 är det vanligaste ärendet och genereringen är positiv i för de med hög inkomst. Man skulle kanske förvänta sig att alla måste göra en arbetsresa oavsett inkomst men tolkningen är att hög inkomst selekterar ut heltidsarbetande som kan antas jobba fler dagar. Vi har också ett tydligt genomslag för säsong och helg vilket gör att modellen kan tillämpas på exempelvis sommarperioden och för helger. Logsumman är signifikant positiv för arbetsresor. Skolresor (3) genereras som ett ärende och åldrarna åtskiljs med dummyvariabler. Ålder och säsong har förväntad effekt. Ofta förklaras övergång till högskola med socioekonomisk bakgrund men det avser som regel föräldrarnas bakgrund. Här har vi inte uppgift om detta och en student på universitet är som regel bara en ung människa med låg inkomst. Tjänsteresor (4) är som väntat tydligt beroende av inkomst. Vi har tidigare diskuterat tolkningen av ökande inkomster ( alla blir inte chefer till följd av ekonomiskt tillväxt ) vilket tydligast syns på tjänsteresor. Service, hälsa och barntillsyn (5) är beroende av inkomst, ålder och kön. För besök av släkt och vänner (6) är inkomst negativt över basnivån. Kan förstås med tanke på att ärendet inte är förknippat med någon kostnad. Besök av släkt och vänner styrs också av perioder med högtider och ledigheter. 15 Siffran inom parentes avser nyttofunktionens nummer som återfinns i bilaga

116 Rekreation (7) som enskilt ärende påverkas tydligast av lediga dagar och semestertid. Övriga dagar har man ofta även andra ärenden att utföra. Vi har också en positiv parameter för låg inkomst vilket kan indikera lågt deltagande i arbete och därmed att rekreationsresor kan bli enda ärende. Logsumman ingår som positiv för rekreationsresor. Skjutsa (8) gör ofta föräldrar och möjligheten att använda förekomst av barn i hushållet betyder ganska mycket för att förklara ärendet. Även förekomst av bil och körkort i hushållet är viktigt. Inkomst har också betydelse för resor för inköp av dagligvaror (9) och är positiv men fallande med ökande inkomst för de som har inkomst. Vi noterar också att män har en lägre benägenhet att sköta inköpen av dagligvaror. Logsumman är svagt positiv men signifikant för inköp av dagligvaror. Sällanköpsvaror (10) har kraftiga variabler för dag och säsong. Vi noterar också att logsumman är signifikant i funktionen. Övriga resor (11) som i den här modellen är en otydlig restpost har endast konstanter och logsumma som variabel. 4.6 Resmönster med två resor Rikhaltigheten hos nyttofunktionerna varierar mellan de ingående ärendena. Vardagsärenden som skola och arbete är många och tydliga till sin struktur och går därmed att beskriva med flera variabler. Ärenden som omfattar service, släkt och vänner har något otydligare bestämningsfaktorer i form av demografi men desto tydligare avseende tid (helg). Ärenden med rekreation som första ärende för några vanliga kombinationer (Rekreation + arbete) har ålder som tydlig förklaring. Resmönster med arbete som förstaresa har gemensam parameter för logsumma som inte är särskilt hög men positiv. Inkomstvariablerna följer samma mönster oberoende av andraärende genom att parametern för hög inkomst är lägre än för mellan. Logsummorna kommer in på ytterligare några ställen som arbete i kombination med inköp av dagligvaror (logsumma inköp dagligvaror). För rekreationsresor som första ärende finns logsumma med som gemensam variabel för samtliga andraärenden. 4.7 Resmönster med tre ärenden För tre resor har vi haft skola och arbete som förstaärende separata och övriga ärenden aggregerade. Antalet observationer gör att nyttofunktionerna inte blir särskilt rikhaltiga. Ålder och säsong återkommer. För de aggregerade ärendena är logsumma och helg huvudsakliga förklaringsfaktorer. 4.8 Resmönster med fyra resor För resmönster med fyra resor har vi fyra variabler som tidigare pekat mot flera resor: hög inkomst, arbete, bil och barn. 4.9 Arbetsplatsbaserade tjänsteresor Tjänsteresorna delas i två olika kategorier, de som utgår från bostaden och de som utgår från arbetsplatsen. Indelningen gör att två olika genereringsmodeller måste skattas. De 116

117 bostadsbaserade tjänsteresorna ingår i den samlade genereringsmodellen (ovan) medan det varit nödvändigt att skatta en separat modell för de arbetsplatsbaserade resorna. Totalt i skattningsdata finns 680 arbetsplatsbaserade tjänsteresor som uppfyller kriterierna för att ingå i den regionala modellen. Tabell 29. Valda alternativ bland den arbetande befolkningen för arbetsplatsbaserade tjänsteresor i skattningsdata. Antal resor Antal valda Andel Summa obs Modellen är en multinomial logit med alternativen 0, 1, 2 och 3+ resor där 0 är referensalternativet. 117

118 Tabell 30. Skattningsresultat för genereringsmodell för arbetsplatsbaserade tjänsteresor. Variabel Estimat t-värde Val, Antal resor Konstanter Alternativspecifik konstant Alternativspecifik konstant Alternativspecifik konstant Inkomst Hög inkomst, Dummy , 2, 3+ Säsong Lördag, Söndag (Dummy) , 2, 3+ Juni-Augusti (Dummy) , 2, 3+ Juli (Dummy) , 2, 3+ Kön Man Man Man Geografi Stockholms län (dummy) , 2, 3+ Palt (Dummy) , 2, 3+ Final value of Likelihood = "Rho-Squared" w.r.t. Zero =.8721 Modellen består av konstanter, variabler för inkomst, kön säsong och en grov geografi. Det visade sig svårt att finna variabler som kunde skilja ut det antal resor som utförs. Att män utför fler resor än kvinnor är förväntat medan det är mindre klart varför man utför färre resor i Stockholms län. Under sommarmånaderna (juni, juli och augusti) är det generellt lägre antal tjänsteresor och arbetsresor som utförs och extra få under juli. Effekten av dummy-variabeln för juli är utöver sommareffekten. Avseende inkomst har vi även här samma förbehåll som tidigare att inkomst troligen representerar en position som medför tjänsteresor snarare än att inkomsten i sig används för att betala för resorna. I implementationen bör man således fundera om inkomstklasserna ska vara relativa eller absoluta. Vid en implementation med en syntetisk befolkning behöver arbetsplatsen först bestämmas genom slumpning med sannolikheter från arbetsresemodellen och därefter kan en eventuell arbetsplatsbaserad tjänsteresa genereras. Modellen för arbetsplatsbaserade tjänsteresor ligger således efter destinationsvalsmodellen i sekvens Avstämning mot data För att studera genereringsmodellens egenskaper har vi gjort en implementation som är isolerad från den övriga programvaran. I programmet använder vi individerna från RVU med samma områdesdata påkodade som i skattningen. Skälet att inte använda applyfunktionen i A-logit är att vi inte skattar ärenden utan resmönster som är kombinationer av ärenden vilket kräver en nedbrytning i ett senare beräkningssteg. Skälet till att nedbrytning görs är att flera resmönster utgörs av kombinationer av ärenden. Medelvärdena stämmer inte perfekt vilket antagligen beror på att vi inte justerat in några medelvärdesberäknade variabler riktigt samt att vid skattningen har ett antal observationer raderats på grund av motsägelsefulla data. Samtliga resultat avser en okalibrerad modell. 118

119 Antal resor I figuren nedan visas antal bostadsbaserade resor i modellen respektive data. Modellen ligger ganska jämnt kring 0.95 i samtliga regioner medan det finns en större variation i data som modellen inte riktigt fångar. För hela riket skiljer det obetydligt mellan data och implementation. Modellen är inte skattad med regionala dummies. 1,2 1 0,8 0,6 0,4 0,2 Anatal resor/person 0 SAMM Sydöst Syd Väst Palt Modell Data Figur 93. Antal resor i modell respektive data per region för årsmedeldygn (ÅMD). Vi kan notera att data avviker för syd och sydost med högt respektive lågt resande per person. Skillnaderna i data är lite väl stora och det är inte helt lätt att förklara varför det ska vara så pass mycket färre resor i enskilda regioner. För antal resor per ärende ses vissa skillnader mellan data och modell. Det gäller arbetsresor där vi uteslöt vissa i skattningen på grund av att de klassades som arbetsplatsbaserade, samma sak gäller några skolresor och tjänsteresor (som ingår i genereringsmodellen för arbetsplatsbaserade tjänsteresor) Ärende Data ÅMD Modell ÅMD Figur 94. Antal resor per ärende i modell och data för årsmedeldygnstrafik (ÅMD). 119

120 Antal resor Störst relativ avvikelse har övrigt. Annars är det vissa avvikelser av antalet resor för några ärenden som man antingen kan hantera med kalibrering eller jobba vidare med modellen 16 för att komma åt. Modeller brukar ofta tillämpas på vardagstrafik utanför perioder med ledighet och nedan visas skillnaden mellan en vardag utanför semesterperiod (ej juni-aug, dec) och årsdygnstrafik Ärende Modell VMD Modell ÅMD Figur 95. Jämförelse mellan modellens årsmedeldygndygnstrafik och vardagsmedeldygnstrafik. I olika sammanhang frågas det efter trafiken under andra perioder än vardagar och modellen ger dessa möjligheter men praxis för sådana tillämpningar är oklar. Dagens Sampers innehåller variabler för säsong och veckodag men möjligheten att tillämpa dessa är okänd. Nedan visas genereringen för en söndag under sommaren och det ska ses som ett exempel på hur modellen reagerar på säsong och veckodag. 16 Man kan exempelvis stoppa in ett antal dummyvariabler och komma mycket nära antalet resor i data. I en traditionell genereringsmodell träffar man alltid helt rätt med antalet resor om man har konstanter. 120

121 Antal resor Antal resor Ärende Modell ÅMD Modell sommarsöndag Figur 96. Jämförelse mellan modell för årsdygnstrafik och modell under en sommarsöndag Modell och data per region Nedan följer redovisning av modell och data per region fördelat på ärende. Generella kommentarer från hur ärendena stämmer med data gäller även på regional nivå men vissa avvikelser kommenteras SAMM Ärende Data Modell Figur 97. Jämförelse mellan modell och data för SAMM antal resor per ärende ÅMD. Sydöst har i tidigare versioner av modellen varit mer problematisk men efter rensning av orena indata ser det något bättre ut. 121

122 Antal resor Antal resor Sydöst Ärende Data Modell Figur 98. Jämförelse mellan modell och data för Sydöst antal resor per ärende ÅMD. I Syd är det ett stort antal resor relativt de som modellen ger, det gäller särskilt arbetsresor Syd Ärende Data Modell Figur 99. Jämförelse mellan modell och data för Syd antal resor per ärende ÅMD. 122

123 Antal resor Antal resor Väst Ärende Data Modell Figur 100. Jämförelse mellan modell och data för Väst antal resor per ärende ÅMD Palt Ärende Data Modell Figur 101. Jämförelse mellan modell och data för PALT antal resor per ärende ÅMD Simulering av ändrade indata Vi har gjort några beräkningar med modellen för att studera effekten av ändringar av indata. Beräkningarna gjordes med separat kod där vi inte kört hela efterfrågemodellen med nätverksutläggning utan enbart genereringsmodellen för att isolera dess egenskaper. Ökar man inkomsten i hela systemet kommer logsummor och bilinnehav att påverkas och även den vägen förändra resegenereringen. En central egenskap är hur modellen reagerar på ökad inkomst. Vi ha hållit andelen nollinkomsttagare konstant 17 och fördelat ökningen jämnt mellan övriga grupper. 1) 10 % ökning 2) 50 % ökning 17 Vilket är principen som gäller för framtagning av SAMS-baserna. 123

124 Med en ökning med 10 % ökar antalet resor med ca 0,04 %, och med 50 % ca 0,3 %. Den största effekten är att resmönstren med fyra resor ökar. Det enskilda ärende som ökar mest är tjänsteresor. Den senare effekten är tveksam 18 om den är önskvärd i en modell, högre inkomst betyder inte nödvändigtvis fler personer i roller som medför tjänsteresor. Det finns också ärenden som minskar vid ökande inkomster såsom att besöka släkt och vänner och inköp av dagligvaror. Den sammantagna effekten är att inkomst partiellt i stort sett saknar effekt på resegenereringen. Dessa initiala test visar inget tecken på att vi kan återskapa den nollutveckling eller rent av negativ utveckling vi såg i rapportens första figur men ökningen är mycket måttlig. Vid en komplett modell med bilinnehav och återkoppling med nya logsummor från reseefterfrågan kommer vi att få ett positivt bidrag till resegenereringen från ökade inkomster. Vid en komplett modellkörning med utläggning på bilvägnätet kommer vi att få en återkoppling via trängsel vid ökande trafik. Trängseln kommer att resultera i lägre tillgänglighet (logsummor) och därmed resultera i en återhållande effekt på resegenereringen. I en modell med återkopplingar via logsummor är det svårt att utan fullt implementerade modeller ge en komplett bild av storleken på effekterna som är beroende av alla dimensioner i utbudet och dess effekt vi logsummorna. Ett test gjordes med att minska kostnaderna för alla färdsätt för arbetsresor med 10 % och tillämpa den resulterande förändringen av logsumman på alla ärenden. Detta för att ge en uppfattning om storleksordningen av effekten på generering. Den genomsnittliga ökningen av logsumman blev 0,33 % vilket sedan resulterade i en ökning av resandet med 0,085 %. Effekten i exemplet är således mycket måttlig. Vid en analys över tid tillkommer andra effekter som att befolkningen ökar mer i storstäder än i landsbygd vilket har en återhållande effekt men samtidigt kommer det till en befolkningsökning som är den dominerande drivkraften bakom trafiktillväxten. 18 Hantering av ökad inkomst är en fråga för implementationen av modellen. Där har olika ansatser diskuterats såsom att behandla inkomstgrupper som relativa. 124

125 5. Resultat Skattning av körkort- och bilinnehavsmodell Modellerna för bilinnehav och körkort är centrala i ett prognossystem. I avsnittet går vi igenom de modeller som uppdaterats med nya data. En central egenskap i den aktuella versionen av modellerna är användningen av hushållsdata avseende inkomst och hushållets sammansättning. 5.1 Indata Utgångspunkten för modellerna är individdata från RVU-RES 05/06 som kompletterats med data avseende trafiksystemet och egenskaper hos zonerna. De observerade data vi skattar modellerna på har varierande grad av saknad information för centrala variabler. Inkomstvariabeln är en sådan variabel där det finns ett bortfall. Det bortfallet har hanterats genom att värden har imputerats 19. Innehav av bil är ett ganska typiskt hushållsbeslut. Det är hushållets samlade inkomst, demografi och boendeförhållanden som avgör bilinnehavet. Genom att vi har etablerat lägenhetsregister går det att börja skapa hushåll som statistisk enhet och därigenom övergå till hushållsbaserade modeller för bilinnehav. De modeller som presenteras i denna rapport baseras på individer där vi använt informationen i RVU avseende det hushåll individen tillhör. Det avser exempelvis hushållsinkomst, förekomst av barn i hushåll och antal vuxna i hushållet. I utvecklingen av modellerna har vi jobbat med ett antal variabler som beskriver befolkningen som används genomgående i modellsystemet. Eftersom det rör sig om ett begränsat antal variabler så är de inte särskilt många men tillsammans resulterar de i många undergrupper. Förutom variabler som beskriver befolkningen har vi även använt trafiksystemvariabler i bilinnehavet liksom områdeskaraktäristika som är planeringsrelevanta. Den trafiksystemvariabel vi använt är logsumma som beskriver nyttan (tillgängligheten man får) av att göra ett val av att ha tillgång till bil. Logsumman är beroende av individens egenskaper och zonen som individen bor i. Logsumman används dels som skillnaden i nytta mellan att ha bil och inte ha bil och för alternativen att inte ha bil är det en logsumma som beskriver nyttan i zonen om man inte har bil 20. I praktiken innebär det att i områden med bra kollektivtrafik eller god tillgänglighet med gång och cykel blir tillskottet till nyttan med att ha bil liten medan den är mycket stor i glesa områden med dålig eller obefintlig kollektivtrafik. Den förväntade reaktionen i modellen är att i stationsnära områden kommer bilinnehavet att bli lägre och att modellen kommer att reagera på kostnadshöjningar för bil genom att bilinnehavet minskar. Genomgående har vi utgått från logsumman för arbete som har beräknats oberoende om personen har arbete eller inte. Logsummorna beräknades i A-logit genom så kallade apply-körningar där bilinnehavet för observationen varierades mellan körningarna och logsummor under respektive bilinnehav skrevs ut. I modellerna förekommer också andra planeringsrelevanta variabler som om personen bor i villa och täthet hos bostadszonen. Utvecklingen av boendeformerna fördelat på flerfamiljshus och villor är mycket starka planeringsvariabler som påverka bilinnehavet. Villabebyggelse är svår att försörja med kollektivtrafik och den utspridda bebyggelsen medför att målpunkterna för resor hamnar långt bort. Förutsättningen att parkera en eller flera bilar är också mycket goda i villabebyggelse. Bebyggelsens täthet har flera effekter på bilinnehavet, dels i form av närhet till målpunkter och dels i form av ett uttryck för problem att parkera en bil. Vi saknar ett register över parkeringsplatser och 19 Se separat Bilaga 1 Hantering av personer utan uppgiven inkomst i RES 05/ Körkortsinnehavet är det som observerats i RVU. 125

126 parkeringskostnader i Sverige vilket hade varit mycket önskvärt. En del av den problematiken fångas upp av en variabel som beskriver tätheten. Centrala variabler i modellerna är körkort, bilinnehav och bilkonkurrens. Den indelning i segment som görs baseras på vilka val som är tillgängliga för segmentet. Personer under 18 år. Kan tillhöra ett bilhushåll eller inte men inte ha körkort och inte konkurrera om att använda hushållets bilar. Alternativen är att tillhöra ett bilhushåll eller inte. Personer över 18 år boende i hushåll med en vuxen. Segmentet motiveras dels av att innehavet av bil skiljer sig tydligt mellan hushåll med en och flera vuxna och att bilkonkurrens inte är relevant för hushåll med en vuxen. Alternativen för segmentet är tre kombinationer av körkort och bil (se 5.3). Personer över 18 år boende i hushåll med flera vuxna. För hushållstypen blir bilkonkurrens relevant. Alternativen i valen är 6 (se 5.3). I ett annat FoU-projekt (Berglund et.al. 2018) har det skapats en syntetisk befolkning där hushållen delas in efter antal vuxna och barn. Där räknas vuxna som 20 och inte vid körkortsgränsen 18 år. Det är möjligen en indelning som kan justeras i framtida arbete Inkomst Inkomstvariablerna, som avser två inkomstbegrepp individinkomst respektive hushållsinkomst, är indelade efter samma gränser som i färdmedel- och destinationsvalsmodellen. Inkomst < inkomst < Inkomst < Inkomst För inkomstvariablerna har vi använt de gränser som arbetsresemodellen skattades med 21. Referensnivån i inkomst är noll. Inkomst förväntas öka sannolikheten för kostsamma val såsom innehav av bil och körkort. Inkomst och dess hantering är en variabel som genomsyrar hela modellen och kommer in på flera sätt. I körkorts- och bilinnehavsmodellerna kommer inkomst in direkt men också indirekt via logsummorna. Gruppen med högre inkomst har som regel lägre känslighet för dyra val och logsumman kommer att vara högre för en person med hög inkomst vi får således en effekt via inkomstvariabeln och en effekt via logsumman som går i samma riktning. Vid simulering med modellen går det därmed inte att partiellt beräkna effekten av en inkomstökning bilinnehavet utan att justera logsummorna. Eftersom innehav av bil är ett typiskt hushållsbeslut har vi använt hushållsinkomst när hushållet består av fler än en vuxen. I modellen för sannolikheten att barn under 18 ska tillhöra ett bilhushåll har också hushållsinkomsten använts vilket avsevärt förbättrar modellen Ålder och övrig demografi Modellen är skattad givet de demografiska variabler som finns för tillämpningen. Kön är en central variabel som fungerar mer som kontrollvariabel än som något som styr eller påverkar utvecklingen. 21 Det skiljer tyvärr mellan modellerna om övre respektive undre klass inkluderas eller ej. 126

127 5.1.3 Markanvändningsvariabler Markanvändningsvariabler är centrala för modellens prestanda men som delvis fungerar som proxy för andra variabler vi inte har tillgång till. Ett välkänt faktum är att vi inte har data om tillgång på parkeringsplatser och parkeringsavgifter för en modelltillämpning och därför har utelämnat dessa i skattningen. Bristen på data avseende parkeringsplatser gäller både vid hemmet och vid resornas målpunkter. För bilinnehav är det främst situationen vid hemmet som är relevant och där har vi andra beskrivande variabler som ersätter i form av typ av bostad och täthet. Boende i villa är en variabel som rymmer flera dimensioner, dels möjligheten att parkera en bil men också områdeskaraktäristik med svårigheter att förse en villabebyggelse med kollektivtrafik. Nu finns även tillgänglighetsmått per färdmedel med vilket gör att den effekten hanteras separat. Villa rymmer också en ekonomisk dimension men inkomst ligger liksom tillgänglighet som egen variabel. 5.2 Förekomst av bil i hushållet för personer under 18 år För personer under 18 år beräknas endast förekomst av bil i hushållet. Om det förekommer bil i ett barns hushåll beror knappast på den nytta barnet upplever av att ha bil utan den nytta som barnets föräldrar upplever. Förklarande data avser därför hushåll och läge. Tabell 31. Modell för förekomst av bil i hushållet för personer under 18 år. Alternativ Parameternamn Beskrivning Estimat t-värde Utbudsvariabler Har bil i hushållet LS_diff Diff. Logsumma (1 bil 0 bil) Socioekonomiska variabler HHGT2 Hushållet > 2 pers Inc_H_2 Inkomst >300 tkr Inc_M_2 Inkomst tkr Inc_L_2 Inkomst Villa_2 Bor i villa Geografiska variabler Kn0180_2 Stockholms kommun Density_2 Täthet E Alternativspecifik konstant Const_ Antal obs Log-Lokelihood Antal skattade 10 parametrar Rho Modellen har en utbudsvariabel, skillnad i logsumma, som ökar sannolikheten att det finns en eller flera bilar i hushållet. Variabeln är definierad som skillnaden i logsumma för arbetsresa mellan att ha bil och körkort och inte ha bil eller körkort 22. Socioekonomiska förklaringsvariabler är starkt styrande för förekomst av bil i hushållet. Inkomst, hushållstorlek och boende i villa har en tydlig påverkan. En otydlighet i 22 För en implementation behövs här tillkommande antaganden. 127

128 Andel modellen är att de som uppgivit den lägsta inkomsten, under , har högre bilinnehav än mellan och låginkomsttagare. 5.3 Innehav av bilar och körkort Modellerna för innehav av bil och körkort som redovisas nedan används för att beräkna sannolikheten för vuxna att tillhöra ett bilhushåll och för att beräkna bilkonkurrensen. Två modeller skattas fördelat på antal vuxna i hushållet. Tabell 32. Valmängd i modell för bilinnehav och körkort. Alternativ i modellen 1 Vuxen 0 Körkort, 0 bil 1 Körkort, 0 bil 1 Körkort, 1 bil 2+ vuxna 0 Körkort, 0 bil 1 Körkort, 0 bil 1 Körkort, 1 bil 2 Körkort, 0 bil 2 Körkort, 1 bil 2 Körkort, 2 bil Modellen avser egentligen bilar man kan ha nytta av och inte fysiska bilar. Det är möjligt att äga en bil utan att ha körkort men kan inte ha transportnytta från en sådan bil som förare. Man kan heller inte ha nytta som transportmedel av fler bilar än det finns körkort i hushållet. Denna modell ska inte stämma mot bilregistrets antal bilar i trafik utan helst ge en underskattning! Först lite data över hur valen fördelar sig i resvaneundersökningen. 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 Två eller flera vuxna som angett inkomst Två eller flera vuxna 0 inkomst/ej angett En vuxen som angett inkomst En vuxen 0 inkomst/ej angett Total Ej bil i hushållet Bil i hushållet Figur 102. Andelar med bil i hushållet per segment. I figuren ovan innebär noll i inkomst eller ej uppgiven att den intervjuade personen faktiskt kan ha inkomst. Det kan också vara så att en annan person i hushållet kan ha inkomst. Det är påtagligt liten skillnad i bilinnehav mellan de som har inkomst och de som inte har/har ej uppgett inkomst. Det är däremot en stor skillnad mellan hushåll med en respektive två personer. 128

129 35% 30% 25% 20% 15% 10% 5% 0% 0/0 1/0 1/1 2/0 2/1 2/2 Körkort/Bilar Figur 103. Valfrekvenser för samtliga observationer av kombinationer av antal bilar och körkort (KK) i hushållet. 60% 50% 40% 30% 20% 10% 0% 0/0 1/0 1/1 Körkort/Bilar Figur 104. Valfrekvenser för hushåll med en vuxen Modell för hushåll med en person över 18 år Referensalternativet i modellen är inget körkort och ingen bil. För alternativet körkort och ingen bil blev två nivåer av inkomst signifikanta. För ålder finns tre dummyvariabler där referensnivån är år, yngre och äldre avviker med lägre sannolikhet för att ha körkort men inte bil. Logsumma för alternativet är differensen mellan logsummorna för hushåll med en vuxen (1 bil 0 bilar). Variabeln är negativ och tydligt signifikant vilket innebär att i zoner med stor skillnad i tillgänglighet mellan att ha bil och inte ha bil är sannolikheten för alternativet låg. Vi har också en dummyvariabel för att bo i Stockholms län som är negativ. Andra variabler testades också för alternativet dock utan signifikans. Exempel är täthet, fler åldrar och kön. Vi vet sedan tidigare att för valet att ha körkort är inkomst centralt medan exempelvis täthet 129

130 har större betydelse för sannolikheten att inneha bil. Logsumma är korrelerad med täthet och används logsumman brukar täthet inte bli signifikant. För alternativet ett körkort och en bil har inkomst en mycket stor påverkan och med högre värde än för alternativet utan bil. Referensnivån för inkomst är under Det förekommer ett antal åldersgrupper där är referensgruppen. Åldersgruppen har ett högre bilinnehav än vad som motiveras av modellens övriga variabler, exempelvis inkomst, vilket brukar förklaras med att bilinnehavet etablerades före pensionen och hänger med trots lägre inkomst. Vi har regionala dummyvariabler för Stockholms kommun och för Stockholms län. Boende i villa har en tydlig effekt samt man. Även villa och barn blev signifikanta och ökar sannolikheten att ha bil. Det finns några geografiska variabler där täthet ökar sannolikheten att inte ha bil samt dummy-variabler för Stockholms län, Stockholms kommun och region Väst, samtliga negativa. I en tidigare version av modellen var skillnaden i logsumma (bilinnehavare ej bilinnehavare) signifikant vilket den inte är här. Omformuleringen av restidskomponenterna för kollektivtrafik kan ha en inverkan samt att täthetsvariabeln kan ha blivit bättre. Tabell 33. Skattningsresultat för modell avseende bil- och körkortsinnehav för hushåll med en vuxen. Referensalternativ är inget körkort och ingen bil. Parameternamn Beskrivning Estimat t-värde Alternativ Utbudsvariabler LS_Koll_2 Diff. Logsumma (1 bil- 0 bil) kk/0Bil Socioekonomiska variabler Inc_L_2 Ink 50 tkr-200tkr kk/0Bil Inc_H_2 Ink 300 tkr (Dummy) kk/0Bil Age_1819_2 Ålder (Dummy) kk/0Bil Age_75w_2 Ålder 75- (Dummy) KK/0Bil Inc_L_3 Ink 50 tkr-200tkr KK/1Bil Inc_M_3 Ink tkr KK/1Bil Inc_H_3 Ink 300 tkr (Dummy) KK/1Bil Age_1819_3 Ålder (Dummy) KK/1Bil Age_2025_3 Ålder (Dummy) KK/1Bil Age_6574_3 Ålder (Dummy) KK/1Bil Age_75w_3 Ålder 75-w (Dummy) KK/1Bil Male_3 Man (Dummy) KK/1Bil Villa_3 Bor i villa (Dummy) KK/1Bil Barn_3 (Barn i hushåll) KK/1Bil Geografiska variabler ABL_2 Stockholms län kk/0Bil (dummy) ABL_3 Stockholms län KK/1Bil (dummy) Density_3 Täthet KK/1Bil Kn0180_3 Stockholms kn KK/1Bil (Dummy) va Västmodellen (Dummy) KK/1Bil Alternativspecifika konstanter Const_2 Alternativspecifik konstant kk/0Bil 130

131 Const_3 Alternativspecifik konstant Skattningsstatistik Antal Obs Log-Likelihood Antal skattade 22 parametrar Rho 2 (0) KK/1Bil Modell för hushåll med 2 vuxna I den här modellen är det sex alternativa kombinationer av körkort och bil. Vi redovisar valfrekvenserna i data i figurerna nedan. I modellen modellerar vi inte segmenten separat utan inkomst förekommer som variabel. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% 0/0 1/0 1/1 2/0 2/1 2/2 Körkort/Bilar Figur 105. Valfrekvenser för hushåll med två vuxna. I figuren ovan är valen fördelade på i huvudsak tre alternativ, inget körkort och ingen bil, samt alternativen med två körkort. I tabellen nedan redovisas skattningsresultaten. Referensalternativet är inget körkort i hushållet. Utbudet av trafik representeras av logsummor. Principen är att skillnaden i tillgänglighet (logsumma) mellan att ha bil och inte ha bil är en central förklaring till valen. Bor man på en plats där det är dålig tillgänglighet utan bil påverkar det benägenheten att välja att ha bil och körkort. Det är inte alltid tydligt vad som är den relevanta representationen av nyttan för respektive alternativ. Slutligen har det blivit en empirisk fråga vad som blir signifikant och sammantaget ger en bra modell. För alternativ 3 är logsumman beräknad för en person med bil och körkort respektive utan bil och körkort enligt RVU 23, med samma metod som beskrivs under 5.1. För alternativ 4 och 6 är det samma logsummor som används. Båda är skillnaden mellan att ha bil utan konkurrens och sakna bil och körkort enligt RVU. Vid exempelvis en ökning av tillgängligheten med bil ser vi att alternativ tre och fyra kommer att minska samtidigt som alternativ sex kommer att öka. Effekten på alternativ utan logsumma bör undersökas genom modellsimuleringar. 23 Korrekt implementation av detta blir knepigt även om det har liten praktisk betydelse. 131

132 Tabell 34. Skattningsresultat för modell avseende bil- och körkortsinnehav för hushåll med två vuxna. Parameternamn Beskrivning Estimat t-värde Alternativ Utbudsvariabler LS_Koll_2 Logsumma ej bil KK/0Bil LS_3 Diff. Logsuma (1 bil KK/1Bil Bil) LS_4 Diff. Logsuma (2 bil KK/0Bil Bil) LS_6 Diff. Logsuma (2 bil 0 Bil) KK/2Bil Socioekonomiska variabler Age_1819_2 Ålder (Dummy) KK/0Bil Age_2025_2 Ålder (Dummy) KK/0Bil Male_2 Man (Dummy) KK/0Bil Villa_2 Bor i villa (Dummy) KK/0Bil Inc_H_3 Inkomst >300 tkr KK/1Bil (Dummy) Age_1819_3 Ålder (Dummy) KK/1Bil Age_2025_3 Ålder (Dummy) KK/1Bil Age_2630_3 Ålder (Dummy) KK/1Bil Age_75w_3 Ålder 75-w (Dummy) KK/1Bil Male_3 Man (Dummy) KK/1Bil Inc_H_4 Inkomst >300 tkr KK/0Bil (Dummy) Age_1819_4 Ålder (Dummy) KK/0Bil Male_4 Man (Dummy) KK/0Bil Villa_4 Bor i villa (Dummy) KK/0Bil Inc_H_5 Ink. >300 tkr (Dummy) KK/1Bil Age_1819_5 Ålder (Dummy) KK/1Bil Age_2025_5 Ålder (Dummy) KK/1Bil Age_2630_5 Ålder (Dummy) KK/1Bil Age_3164_5 Ålder (Dummy) KK/1Bil Age_75w_5 Ålder 75-w (Dummy) KK/1Bil Villa_5 Bor i villa (Dummy) KK/1Bil Inc_H_6 Ink. > 300 tkr (Dummy) KK/2Bil Age_3164_6 Ålder (Dummy) KK/2Bil Age_75w_6 Ålder 75-w (Dummy) KK/2Bil Villa_6 Bor i villa (Dummy) KK/2Bil Arbetar_6 Arbetar (Dummy)) KK/2Bil Geografiska variabler Density_2 Log(Täthet) KK/0Bil Density_3 Log(Täthet) KK/1Bil Kn0180_3 Stockholms kommun KK/1Bil (Dummy) Density_5 Log(Täthet) KK/1Bil ABL_5 Stockholms län KK/1Bil (Dummy) Density_6 Log(Täthet) KK/2Bil Kn0180_6 Stockholms kommun KK/2Bil (Dummy) 132

133 SL_6 Skåne (Dummy) KK/2Bil Alternativspecifika konstanter Const_2 Alternativspecifik KK/0Bil konstant Const_3 Alternativspecifik KK/1Bil konstant Const_4 Alternativspecifik KK/0Bil konstant Const_5 Alternativspecifik KK/1Bil konstant Const_6 Alternativspecifik KK/2Bil konstant Skattningsstatistik Antal Obs Log-Likelihood Antal skattade 43 parametrar Rho 2 (0).3761 Inkomstvariablerna följer ett förväntat mönster med större sannolikhet för alternativ med mer av både körkort och bil. Skillnaderna är dock inte särskilt stor mellan alternativen som innebär bil i hushållet för dummyvariabeln för hög inkomst och vi kan inte förvänta oss något större förändring i bilinnehavet till följd av ökad inkomst från modellen. För åldersvariabeln har vi lite varierande indelning men referensnivån är som regel åldern där bilinnehavet mognat, Täthet och villa finns för att beskriva bebyggelsen i modellen. För de flesta val har vi använt logaritmen av täthet. Effekten av täthet är måttlig. Villa har en tydligare effekt och ökar sannolikheten för alternativen med bil kraftigt särskilt för 2 bilar. De två modellerna som redovisats för innehav av bil och körkort är inte uttömmande avseende innehav av körkort på individnivå, modellerna avser hushållets innehav. För de flesta fall är det entydigt men för hushåll med två personer och ett körkort är det inte det. Vi behöver således en kompletterande modell som beskriver innehavet av körkort givet att personen bor i ett hushåll med två vuxna personer och ett körkort. I Tabellen nedan redovisas denna. Referensalternativet är att inte ha körkort. Inkomstbegreppet i modellen är individinkomst och sannolikheten att ha körkort ökar med inkomsten. Förutom inkomst är kön och ålder starka förklaringsfaktorer. Tabell 35. Skattningsresultat för sannolikhet att ha körkort givet att personen bor i ett bilhushåll. Parameternamn Beskrivning Estimat t-värde Alternativ Socioekonomiska variabler Inc_L_2 Ink 50 tkr-200tkr kk/0Bil Inc_M_2 Ink tkr kk/0Bil (Dummy) Inc_H_2 Ink >300 tkr kk/0Bil (Dummy) Age_75w_2 Ålder 75- (Dummy) KK/0Bil Age_2664_2 Ålder (Dummy) KK/1Bil 133

134 Age_6574_2 Ålder (Dummy) KK/1Bil Male_2 Man (Dummy) KK/1Bil Alternativspecifika konstanter Const_2 Alternativspecifik konstant Skattningsstatistik Antal Obs Log-Likelihood Antal skattade 8 parametrar Rho 2 (0) kk/0Bil 5.4 Jämförelse mot data Modellen är skattad med alternativspecifika konstanter så totalt sett stämmer antalen vid en tillämpning på data som överensstämmer med skattningen (kollat!). Det är dock intressant att se hur modellen reagerar på enskilda län och regioner. Storstäder som har lite lägre bilinnehav är ett sådant exempel. Förklaring Regional modell X-axeln: Antal körkort/antal bilar Y-axeln: Antal personer /0 1/0 1/ /0 1/0 1/1 SAMM Sydöst 134

135 Andel /0 1/0 1/1 0 0/0 1/0 1/1 Syd Väst /0 1/0 1/1 PALT Figur 106. Modellresultat för enpersonshushåll fördelat på region. Genomgående är överensstämmelsen ganska bra men det kommer att behövas viss kalibrering på regional nivå. 0,7 Enpersonshushåll med ett körkort och en bil 0,6 0,5 0,4 0,3 0,2 Data Modell 0,1 0 AB-län SAMM Sydöst Syd Väst PALT Figur 107. Andel enpersonshushåll med ett körkort och en bil per region. Ganska stor variation i data mellan regioner som modellen på det hela taget plockar upp ganska bra. Modellen har en tendens att vara något konservativ och fångar inte upp de högsta och lägsta värdena helt. 135

136 Förklaring X-axeln: Antal körkort/antal bilar Y-axeln: Antal personer Regional modell /0 1/0 1/1 2/0 2/1 2/ /0 1/0 1/1 2/0 2/1 2/2 SAMM Sydost /0 1/0 1/1 2/0 2/1 2/2 0 0/0 1/0 1/1 2/0 2/1 2/2 Syd Väst /0 1/0 1/1 2/0 2/1 2/2 0 0/0 1/0 1/1 2/0 2/1 2/2 PALT Sverige Figur 108. Modellresultat för två+ personshushåll fördelat på region. 136

137 Viss kalibrering kan behövas för några regioner. 137

138 Andel 5.5 Personer under 18 i bilhushåll Aktuell version av modellen använder hushållsinkomst vilket avsevärt förbättrat prestandan. Modellen klarar väl att återskapa ganska stora regionala variationer i bilinnehavet. 1 0,98 0,96 0,94 0,92 0,9 0,88 0,86 0,84 0,82 0,8 SAMM SO Skåne Väst PALT Regional modell Modell Data Figur 109. Andel personer under 18 år som bor i bilhushåll, jämförelse av modell och data (RVU). 5.6 Simuleringar av ändringar 24 Eftersom inkomstbegreppet ändrats i förhållande till tidigare version av modellen från individinkomst till hushållsinkomst är den här beräkningen relevant. Vi simulerar vad som händer när man ökar inkomsten med 10 respektive 50 %. Den beräkning vi redovisar här är partiell i den meningen att vi enbart ökar inkomsten och inte har kört systemet till jämnvikt vilket hade skapat nya logsummor. När vi höjer inkomsten gör vi det genom att hålla antalet nollinkomsttagare konstant och fördela inkomstökningen jämnt över övriga grupper. I beräkningen här är tillämpningsdata observationerna i RVU med dess vikter. Där har vi endast ökat observationens inkomst med en faktor. Vid en tillämpning på en syntetisk befolkning kan man använda samma princip. Skulle tillämpningsdata utgöras av tabeller med fasta inkomstgränser som i nuvarande version av Sampers krävs det en mekanism som ändrar fördelningen per zon mellan inkomstklasserna. Vid en fullständig körning av hela modellsystemet till jämnvikt tillkommer effekten av förändrad logsumma. Om vi återkopplar till figuren i avsnitt så pekade kurvorna för antal bilar per 1000 invånare och andelen som har tillgång till bil i hushållet åt varsitt håll de senaste tio åren. Det finns ingen motsättning i det utan det kan vara en konsekvens av fördelning. Skattar man en ekvation på bilinnehavet (bil i hushåll) från 2005 och framåt med bensinpris och BNP som förklaring är ingen variabel signifikant skild från noll. Hur förväntar vi oss då att vår modell ska bete sig när vi höjer inkomsterna? Vi har ju inte gjort en modell baserad på tidsserieanalys men det finns tecken som tyder på att bilinnehavet kommit 24 I en tidigare version av modellen var effekten problematiskt liten, i stort sett obefintlig. 138

139 Andel Andel in i en mättnadsfas samt att tillskottet av bilar inte sker genom att hushåll utan bil skaffar en bil utan att hushåll som redan har bil skaffar en till. 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0/0 1/0 1/1 Bilar/Körkort Bas + 10 % + 50 % Figur 110. Körkort och bilar i hushåll med en vuxen vid en inkomstökning med 10 respektive 50 %. I figuren ovan ser vi att andelen personer i en-bilshushåll ökar till följd av ekonomisk utveckling men inte på något drastiskt sätt. Vid en inkomstökning med 10 % ökar antalet i bilhushåll med drygt 1 % och vid en inkomstökning med 50% ökar antalet med ca 5 %. 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 0/0 1/0 1/1 2/0 2/1 2/2 Körkort/Bilar Bas + 10 % + 50 % Figur 111. Körkort och bilar i hushåll med två eller flera vuxna vid en inkomstökning med 10 respektive 50 %. För personer i hushåll med två personer över 18 år ger en inkomstökning med 10 % en viss förändring och en inkomstökning med 50 % en tydlig förändring. I räkneexemplet har vi ökat inkomsten med samma faktor för samtliga individer med inkomst vilket inte är det som skett under senare år då inkomsterna koncentrerats. 139

140 Andel Förändring av täthet Täthet finns med i modellen som en variabel och vi gör ett räkneexempel för Stockholms län där vi ökar tätheten med 28 % (det är vad man tänker sig i RUFS fram till 2050 i basalternativet). Det vi gjort är en partiell analys där andelen boende i villa är oförändrad vilket är lite orealistiskt givet en ökad täthet. 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 0/0 1/0 1/1 2/0 2/1 2/2 Körkort/Bilar Bas Täthet + 28 % Figur 112. Effekt av ökad täthet. Effekten är måttlig men åt förväntat håll då det sker en förskjutning mot alternativ med lägre bilinnehav. 140

141 6. Slutsatser Inom detta och tidigare omskattningsprojekt har regionala efterfrågemodeller skattats för persontransporter kortare än 100km. Tre huvudtyper av efterfrågemodeller har skattats: körkort- och bilinnehav, resegenerering, samt färdmedels- och destinationsval. Modellerna har skattats på data från RES 2005/2006 eftersom nyare resvanedata bedömdes ha för låg svarsfrekvens och inte hålla den kvalité som krävs. Alla modeller har skattats om från grunden. Det som behållits från tidigare Sampersversioner är främst strukturen med nästlade logit-modeller för färdmedels- och destinationsval, indelningen i fem regioner (Samm, Väst, Sydost, Skåne och Palt) och fem färdmedel (bil som förare, bil som passagerare, kollektivtrafik, gång och cykel). Antal ärenden har utökats från sex till tolv stycken eftersom ärendena skiljer sig mycket åt i vilka variabler som ger effekt i modellerna. En viktig nyhet i Sampers4 är att hushållsinformation har använts i skattningarna. Sampers4 är ingen fullskalig hushållsmodell eftersom interaktionerna inom hushållet saknas, men det är en individbaserad modell med tillgång till information om det hushåll individen bor i, så som hushållsinkomst, boendetyp, hushållsstorlek, huruvida barn finns i hushållet, tillgång till bil i hushållet, antal körkort i hushållet etc. Vid implementering av Sampers4 krävs därför att denna information finns för individerna i befolkningen, vilket kan åstadkommas genom att modellen tillämpas på en syntetisk befolkning med hushållsinformation. Körkort- och bilinnehavsmodellen är av helt ny typ jämfört med tidigare bilinnehavsmodell som inte längre används på grund av orimliga prognosresultat. Sampers4:s körkort- och bilinnehavsmodell är en logitmodell för val av kombination av körkort- och bilinnehav. Skattningsresultaten visar att hushållsvariabler så som hushållsinkomst och hushållsstorlek har stor betydelse i modellen. Detta tyder på att bilinnehav är ett hushållsbeslut. Resegenereringsmodellen är också av ny typ. Istället för separat generering per ärende är resegenereringen uppbyggd som en nästlad logitmodell där val av antal resor per dag görs på den övre nivån och val av resmönster på den undre nivån. Denna struktur har potential att införa en begränsning av hur många resor som hinns med under en och samma dag. Data visar att fler än tre resor per dag är mycket ovanligt. Resultaten av modellskattningen visar att logsumma (tillgänglighet) är en viktig förklaringsvariabel för ärenden som inte är obligatoriska (d.v.s. inte arbets- eller skolresor), att inkomst är en viktig genereringsvariabel framför allt för ärendena tjänste, inköp och arbete, att barn i hushållet har stor påverkan på resegenereringen för ärendena skjutsa och service-barntillsyn-vård, samt att helg- och säsongsvariabler har stor påverkan på vilka tider på året resor med olika ärenden genereras. Färdmedels- och destinationsvalsmodellen i Sampers4 inkluderar nyheter så som ickelinjära formuleringar av restid och reskostnad, uppdelning av kostnadsparametern på olika inkomstklasser, täthetsvariabler, samt hushållsinformation. Alla dessa nyheter har inkluderats för de ärenden och färdmedel där de har effekt enligt skattningsresultaten. Skattningsresultaten visar att lång restid, hög reskostnad, tillgång till bil i hushållet, bo i villa och hushållsstorlek ökar sannolikheten att välja bil som färdmedel. Avstånd, vintermånad, att vara flera i resesällskapet och hög ålder minskar sannolikheten att välja cykel. För gång-alternativet har korta avstånd, bo i lägenhet och inomzonresor en positiv påverkan. Kollektivtrafikresor består av flera restidskomponenter så som anslutning, första väntetid, åktid i fordon, bytestid och 141

142 antal byten. För att få konsistens mellan utbud och efterfrågan har i Sampers4 impedansen, d.v.s. den totala reseuppoffringen i kollektivtrafiken, använts i skattning av färdmedels- och destinationsvalsmodellen. Impedansen blir den viktigaste variabeln för kollektivtrafikalternativet ju högre impedans desto lägre sannolikhet att välja kollektivtrafik för resan. Sammantaget har i och med Sampers4 ett stort omtag gjorts i efterfrågemodelleringen och flertalet av de synpunkter som uppkommit i undersökning kring de problem som användarna upplevt (Algers m.fl. 2009) med Sampers har belysts och åtgärdats. 142

143 7. Framtida förbättringar av Sampers Detta kapitel beskriver förbättringar av Sampers-systemet som vi ser behov av på kort och lång sikt. 7.1 Förbättringar på kort sikt Översyn av vikter i ruttvalet för kollektivtrafik Det är ett starkt önskemål från Trafikverket att i Sampers-modellerna ha samma värderingar av restidskomponenter i såväl ruttvalssteget (assignmentsteget eller nätutläggningen) som i färdmedels- och destinationsvalet. För att åstadkomma detta har impedansen (summan av de viktade restidskomponenterna) använts som variabel i skattningen av färdmedels- och destinationsvalsmodellerna i Sampers4. Eftersom parametrarna i assignmentsteget då blir avgörande för hur effekterna av olika åtgärder värderas är det önskvärt att dessa är skattade på ett tillförlitligt sätt. De parametrar som för närvarande används i nätutläggningen i Sampers har ett oklart ursprung, och det är angeläget att pröva hur tillförlitligheten kan ökas. Ett ytterligare önskemål är att parametervärdena motsvarar förhållandena år 2005/06, eftersom skattningen av modellerna för färdmedels- och destinationsval bygger på data från dessa år. Det har tidigare visats att det finns ett påtagligt beroende mellan de vikter som används i nätutläggningen och de parametrar som erhålls vid skattningen av övriga val. Olika vikter ger olika ruttval, och ruttvalen bestämmer värdena på de olika restidskomponenterna (så ger exempelvis en hög väntetidsvikt rutter med korta väntetider, och därmed korta väntetider som input i övriga modellskattningar). Man bör därför utgå från ruttvalssteget när dessa parametrar bestäms. Att skatta ruttvalsparametrar skulle kunna ske antingen med hjälp av stated-choice-experiment eller med observerade faktiska ruttval. Vi föreslår här ett sätt som bygger på observerade faktiska val, men med befintliga data från 2005/06. En skattning av modellparametrar innebär rent allmänt att man söker de parametervärden som gör att skillnaden mellan observerade och modellgenererade val blir så små som möjligt. Genom att RVU05/06 innehåller s.k. reselement blir det möjligt att för varje delresa definiera vilka färdsätt som använts (och också i vilken ordning). Om dessa delresor kan läggas ut på nätet på ett sätt som så väl som möjligt överensstämmer med de faktiska färdsättskombinationerna (oavsett hur detta sker) erhålls en observerad nätutläggning. En modellberäknad nätutläggning erhålls på vanligt sätt genom att lägga ut matrisen av delresor. Man kan då skapa ett avvikelsemått, exempelvis genom att summera kvadraterna på skillnaderna i länkvolymer. Genom att systematiskt förändra assignmentparametrarna kan man så småningom finna den uppsättning som ger den bästa överensstämmelsen mellan den observerade och den modellgenererade nätutläggningen. 143

144 Det är naturligtvis inte möjligt att ren manuellt tillordna varje delresa den troligaste rutten. I stället kan man använda en nytillkommen facilitet i Emme-systemet, nämligen möjligheten att krävs att ett eller flera färdmedel används. Detta minskar frihetsgraderna i ruttvalet, och utläggningen av den aktuella resan blir mindre beroende av assignmentparametrarna. För att ytterligare minska frihetsgraderna kan man också förbjuda de färdmedel som inte används (genom att utesluta dem i den aktuella utläggningen). Det övervägande antalet reselement i RVU utgörs av att gå till fots, T-bana, tåg och buss. Man kan bilda en matris för varje kombination av färdmedel, och lägga ut denna med krav att justa denna kombination, och endast denna, ska vara använd. Förhoppningen är att detta ska ligga den sanna bilden mycket nära. Man kan gruppera de använda färdmedlen på olika sätt om man exempelvis definierar 4 färdmedel erhålls 15 möjliga kombinationer. Hur nära man ligger de observerade reselementen kan man kontrollera på olika sätt, exempelvis genom att dra ett urval delresor som man jämför manuellt med utläggningsresultatet. Man kan då också använda reslängdsuppgifterna som också finns för varje reselement. Det skulle också vara möjligt att använda samma förfarande för att skatta assignmentvikter för andra system, exempelvis Visum. Eftersom näten bör vara mycket lika skulle man direkt kunna överföra de sanna volymerna från Emme till Visum, och genomföra samma skattningsförfarande där Översyn av körkostnad och energikonsumtion En bilparksmodell har utvecklats och tillämpats för att analysera effekter av miljöstyrmedel (Engström, Algers, och Beser Hugosson 2018). Denna bilparksmodell är dock inte alls kopplad till Sampers-systemet. En förbättring av Sampers4 på kort sikt är därför att integrera körkostnad och energikonsumtion (bränsletypsfördelning) från bilparksmodellen in i Sampers efterfrågemodell och övriga analysdelar. 7.2 Förbättringar på lång sikt Effekter av teknisk utveckling Mekanismerna i Sampers baseras på observerat beteende. Detta är en styrka, så länge trafikutbudet och informationen om det inte förändras på ett avgörande sätt. Åtgärder som utvärderas idag kan ha en byggnadstid på ganska många år, och nyttan av åtgärderna beräknas ofta över den följande 40-årsperioden. Teknikutvecklingen innebär emellertid att vi nu står inför viktiga förändringar som kan göra nuvarande prognoser mycket osäkra och rentav irrelevanta. Det är främst följande tre teknikutvecklingsfenomen som är intressanta: Självkörande bilar Informationssystem Elfordon Google har testat självkörande bilar i vanlig trafik sedan 2009 ( Nu, nästan 10 år senare, har de flesta större biltillverkare tester igång med självkörande bilar, i de flesta fall fortfarande med en övervakande människa som vid behov är bered att ta över framförandet. Lagstiftningen 144

145 anpassas nu i Sverige (SOU 2018: ) och i många andra länder för att möjliggöra tester också med självkörande fordon utan övervakare i fordonet. Självkörningen förväntas i sig ge en mjukare trafikrytm vilket ger en högre vägkapacitet med betydligt färre olyckor. Studier visar dock att om självkörande fordon blandas med manuellt framförda fordon kan kapaciteten i stället minska (Lind et al (2015)). Detta pekar på potentiella problem vid en övergång från manuellt körda fordon till självkörande fordon. Eftersom kostnaden för ett självkörande fordon kommer att vara högre än för ett manuellt framfört fordon är det också oklart hur många som kommer att tycka att ett självkörande fordon är att föredra. Den mest intressanta potentialen kan visa sig ligga i flottor med självkörande bilar (RethinkX 2017; UITP 2016; OECD International Transport Forum 2015). Om dessa kan ge en servicenivå med avseende på restider och reskostnader som är tillräckligt god kan efterfrågan på egenägda bilar minska, och efterfrågan på transporttjänster öka. Olika studier tyder på att detta skulle kunna leda till ökad biltrafik (Burghout, Rigole, och Andreasson 2015; Pernestål Brenden och Kristoffersson 2018). En viktig aspekt är därför hur sådana flottor skulle samordnas med den konventionella kapacitetsstarka kollektivtrafiken (UITP 2016). Informationssystemens utveckling gör det möjligt att lättare utnyttja olika färdmedel och transporttjänstleverantörer vid samma resa. Ubigo-systemet ( är ett exempel på ett sådant system. Delningstjänster av olika slag har också utvecklats (t.ex. DriveNow), liksom olika varianter av taxitjänster (t.ex. Uber). Utvecklingen av elfordon är också en viktig aspekt. Förhållandet mellan investeringskostnad och driftskostnad gör att elfordon ger flottor med självkörande bilar en ytterligare fördel de får ett högre utnyttjande än privatägda fordon och kan därmed få lägre totalkostnad för den körda sträckan. Den tekniska utvecklingen innebär alltså betydligt ökade möjligheter att tillhandahålla ett utbud av transporttjänster (MaaS, Mobility as a service, se t.ex. Transport Systems Catapult (2016)). Dagens prognosverktyg förmår emellertid inte beskriva effekterna av detta på ett trovärdigt sätt. De förmår heller inte beskriva effekterna av att självkörande bilar blandas med manuellt framförda bilar. Det går därmed inte att utvärdera effekterna av möjliga affärsmodeller baserade på självkörande fordon eller effekterna av att sådana fordon tillkommer på vägnätet. Trafikverket behöver därför utveckla ett förhållningssätt till hur den tekniska utvecklingen ska beaktas i planeringsprocessen framöver. När det gäller den tekniska utvecklingen som sådan finns Trafikverket redan med på olika sätt, exempelvis i Drive Sweden. Där arbetar också hela bilindustrin och flera andra aktörer (t.ex. IT-företagen) för att driva på utvecklingen. Det man behöver utveckla ett förhållningssätt till är dels hur man ska utvärdera olika transportåtgärder med hänsyn till prognosverktygets nuvarande begränsningar, dels hur man kan förbättra prognosverktyget med hänsyn till de olika resmöjligheter som tekniken kommer att erbjuda. Trafikverket har organiserat arbetet med prognosverktygen för att samtidigt kunna använda och utveckla prognosverktygen. För närvarande arbetas med en fyraårscykel för utvecklingen av verktygen, och en tvåårscykel för den praktiska tillämpningen. Ledtiderna för implementering av vidareutveckling är förhållandevis långa. En uppdatering av prognosverktyget Sampers från modeller baserade på data från perioden till modeller baserade på data från 2005/06 väntas inte kunna tas i bruk förrän 2024, dvs om cirka sex år. Det finns en uppenbar risk att i och för sig välmotiverade men mer marginella förbättringar prioriteras framför mer 145

146 genomgripande förändringar. Det räcker att gå sex år tillbaka i tiden för att förstå hur långt den tekniska utvecklingen kan ha kommit sex år framåt i tiden. Prognoser och utvärderingsmetodik kan redan då ha tappat sin trovärdighet. Det är knappast rimligt att det är Trafikverket som ska bedriva den forskning som måste ligga till grund för mer genomgripande förändringar av prognosverktygen. Ett sådant utvecklingsarbete bedrivs bäst på akademiska institutioner och har redan startat med flertalet projekt på området, t ex CTR-doktorandprojektet SMART ( EU-projektet CoExist ( och ITRLbaserade doktorandprojektet Systemeffekter av självkörande fordon ( Däremot är det önskvärt att Trafikverket har kunskap om vilka utvecklingsarbeten som bedrivs, och har uppfattningar om vilka förmågor hos prognosverktygen som man efterfrågar och vilka utvecklingsprojekt man därför vill stödja. Ett samarbete med akademin är viktigt. Detta skulle också, som i Danmark, kunna utvecklas i form av ett modellcenter knutet till den akademiska miljön, där det sker en kontinuerlig kunskapsutveckling. Sammanfattningsvis: För att teknikutvecklingen ska kunna ge så stor nytta som möjligt, behöver Trafikverket ha kunskaper inte bara om teknikutvecklingen i sig, utan också om hur den kan användas och hur den bör användas för att uppfylla de transportpolitiska målen. Nuvarande verktyg och metodik förmår inte ge ett trovärdigt underlag för detta. Trafikverket behöver därför utveckla ett förhållningssätt för hur utvärderingsmetodik och prognosverktyg ska utvecklas för att kunna beakta teknikutvecklingen i transportplaneringsprocessen på ett rimligt sätt, med hänsyn till de möjligheter och problem som teknikutvecklingen kan komma att innebära Datainsamlingsmetodik Svarsfrekvensen för resvaneundersökningar har stadigt sjunkit de senaste 30 åren, från att ha legat kring 80% i slutet av 80-talet till att numera ligga kring 35%. Om tillräckligt många enkäter skickas ut är problemet inte antal observationer som fås in, utan det stora problemet är eventuell skevhet (bias) i vilka som svarar på resvaneundersökningen. Traditionella resvaneundersökningar har också kända brister så som att korta resor ofta utelämnas och att detaljerade data om ruttval inte fångas. Mot denna bakgrund håller en ny generation av datainsamlingsmetodik på att utvecklas. Dessa nya datainsamlingsmetoder bygger ofta på ny teknik så som analys av GPS-spår från smartphones eller analys av GSM-data från mobilnätet. Tidiga fältförsök med GPSdata gjordes inom det Trafikverksfinansierade projektet SPOT (Allström, Kristoffersson, och Susilo 2016). Trafikanalys har ett pågående projekt Nya lösningar för framtida resvaneundersökningar ( där flera olika metoder för datainsamling testas och jämförs. Inom detta projekt har även en pilotstudie kring användning av mobilnätsdata för att beskriva det långväga resandet i Sverige genomförts (Gundlegård och Rydergren 2018). Testerna ovan är i tidigt skede och metodiken för datainsamling behöver utvecklas ytterligare. Tester behöver också göras kring skattning av modeller på denna nya typ av data, både konventionella modeller och modeller som förmår beakta effekter av t ex flottor av självkörande bilar. 146

147 Referenser Algers, Staffan, Lars-Göran Mattsson, Clas Rydergren, och Bo Östlund Sampers erfarenheter och utvecklingsmöjligheter på kort och lång sikt.(sampers experiences and development possibilities in the short and long run). Allström, A., I. Kristoffersson, och Y. O. Susilo Smartphone based travel diary collection: Experiences from a field trail in Stockholm. I. Barcelona. Andersson, Matts, Karin Brundell-Freij, och Jonas Eliasson Validation of aggregate reference forecasts for passenger transport. Transportation Research Part A: Policy and Practice 96 (februari): Ben-Akiva, M., och S. Lerman Discrete choice analysis: theory and application to travel demand. Vol. 9. The MIT Press. Berglund, S., Almström, P. och Isberg, U Syntetisk befolkning med hushållsinformation som markanvändningsdata i transportmodellerna. Rapport för Trafikverket. Burghout, Wilco, Pierre Jean Rigole, och Ingmar Andreasson Impacts of shared autonomous taxis in a metropolitan area. I Proceedings of the 94th annual meeting of the Transportation Research Board. Daly, A Estimating choice models containing attraction variables. Transportation Research Part B: Methodological 16 (1): Engström, Emma, Staffan Algers, och Muriel Beser Hugosson Car type preferences among private buyers and company car owners as related to climate and transport policy in Sweden. CTS Working Paper 2018:9. Gundlegård, David, och Clas Rydergren Resestatistik för långväga resor baserat på aggregerade och anonymiserade mobilnätsdata. Linköpings Universitet. ortliu-telia-trafa pdf. Jahanshahi, Kaveh, Ian Williams, och Xu Hao Understanding travel behaviour and factors affecting trip rates. I European Transport Conference. Vol Citeseer. Kristoffersson, Ida, Andrew Daly, och Staffan Algers Modelling the attraction of travel to shopping destinations in large-scale modelling. Transport Policy, In Press, Available online. 68 (september): McFadden, D Econometric models of probabilistic choice. I Structural analysis of discrete data with econometric applications (edited by D. McFadden and C.F. Manski). MIT Press, Cambridge, Mass. OECD International Transport Forum Urban Mobility System Upgrade - How shared self-driving cars could change city traffic. Pernestål Brenden, Anna, och Ida Kristoffersson Effects of driverless vehicles: A review of simulations. CTS Working Paper 2018:11, juni. RethinkX Rethinking Transportation e4be6f2e1c13df930c5/ /rethinkx+report_ pdf. SIKA RES 1999 Den nationella reseundersökningen. 2000: &_t_tags=language%3asv%2csiteid%3af9e4ecf2-4fe2-49ec-bd2f- 147

148 7b6540d3eb17&_t_ip= &_t_hit.id=Knowit_EPi_Site_Trafa_KitMo dules_document_models_media_documentfile/_6d0a256a-693b-4f00-bd20- cc6b744b3b66&_t_hit.pos= RES Den nationella resvaneundersökningen. 2007:19. es &_t_tags=language%3asv%2csiteid%3af9e4ecf2-4fe2-49ec-bd2f- 7b6540d3eb17&_t_ip= &_t_hit.id=Knowit_EPi_Site_Trafa_KitMo dules_document_models_media_documentfile/_7ea2d76e-3be7-4f9a-a419-5b7ebacbaa8d&_t_hit.pos=2. SOU 2018: Vägen till självkörande fordon - introduktion (The road to selfdriving vehicles - introduction). Trafikverket Sampers 3.4 Användarhandledning. 2018: e79e/sampers3_4_anvandarhandledning_ pdf. UITP Autonomous vehicles: A Potential game changer for urban mobility

149 Bilaga 1: Hantering av personer utan uppgiven inkomst i RES 05/06 Bilaga 2: Area per trafikzon Bilaga 3: Detaljerade skattningsresultat för resegenerering Bilaga 4: Dataframtagning till omskattning av Sampers 149

150 UPPDRAGSNAMN Utvecklingsplan för Sampers - omskattning FÖRFATTARE Peter Almström UPPDRAGSNUMMER DATUM PM HANTERING AV PERSONER UTAN UPPGIVEN INKOMST I RES 05/06 En icke obetydlig andel av de som svarat på resvaneundersökningen har inte uppgett någon inkomst. Det är 7412 personer av (27 %) som saknar uppgift om individinkomst (variabel INKUP). Hitintills har dessa behandlats på samma sätt som de som uppgett nollinkomst, dvs de har placerats i inkomstgruppen kr. Detta är troligen inte korrekt för de flesta, och speciellt inte för de som förvärvsarbetar eller är pensionärer. I syfte att få bättre förklaringsgrad i modellestimeringarna vill vi fördela även personer utan uppgiven inkomst på inkomstgrupper. I resvaneundersökningen är undersökningspersonerna fördelade på grupper utifrån hur de svarat på frågan om sin huvudsakliga sysselsättning (variabel UP_FORV). Det är bara ett mycket litet antal som inte svarat på den frågan (22 personer). Följande klasser finns: 1. EGEN FÖRETAGARE 2. ANSTÄLLD HELTID 3. ANSTÄLLD DELTID 4. ARBETAR I EGET HUSHÅLL (ÄVEN 100% MAMMA-/PAPPALEDIGA) 5. PENSIONÄR (ÄVEN FÖRTIDSPENSIONÄR) 6. STUDERAR 7. ARBETSLÖS 8. I ARBETSMARKNADSÅTGÄRD (EJ STUDIER) 9. VÄRNPLIKTIG 11. ANNAN SYSSELSÄTTNING (ÄVEN 100% LÅNGTIDSSJUKSKRIVNA) För dessa 10 grupper har lognormala fördelningar tagits fram för de personer som uppgivit en inkomst i undersökningen. De undersökningspersoner som inte uppgivit någon inkomst har tilldelas en inkomst slumpmässigt utifrån den fördelning som gäller givet personens huvudsakliga sysselsättning. Självklart kommer inte detta blir en perfekt beskrivning av verkligheten men den är bättre än att placera alla dessa personer i inkomstgruppen kr. Följande medelvärde och standardavvikelse har beräknats för grupperna (visar också antal personer per grupp som inte angivit inkomst): WSP Analys & Strategi Stockholm-Globen Besök: Arenavägen 7 T: WSP Sverige AB Org. nr: Styrelsens säte: Stockholm wsp.com 1 (2) C:\Users\IdaK\Work Folders\Documents\LSM - Sampers\Sampers4\Leverans\ _Sampers4_leverans\Bilaga_1.docx

151 UPPDRAGSNAMN Utvecklingsplan för Sampers - omskattning FÖRFATTARE Peter Almström UPPDRAGSNUMMER DATUM Grupp Namn medel Std.av. Antal utan uppgiven inkomst 1 EGEN FÖRETAGARE ANSTÄLLD HELTID ANSTÄLLD DELTID ARBETAR I EGET HUSHÅLL PENSIONÄR (ÄVEN FÖRTIDSPENSIONÄR) STUDERAR ARBETSLÖS I ARBETSMARKNADSÅTGÄRD (EJ STUDIER) VÄRNPLIKTIG ANNAN SYSSELSÄTTNING Genom att ansätta en slumpvis dragen inkomst från respektive fördelning för de dryg 7400 personerna som inte uppgivit någon inkomst ökar medelinkomsten för samtliga undersökningspersoner från kr till kr. Jämfört med tidigare behandling innebär förändringen att många undersökningspersoner kommer gå från noll-inkomst till att bli låg- eller medelinkomsttagare. Det är många studenter som går från noll-inkomst till att ha en låg inkomst. Dessa gör sannolikt arbetsresor främst på kväller och helger, vilket innebär att maxtimmesandelarna för låginkomsttagarna kan komma att avvika från medel- och höginkomsttagarna. De som är pensionärer, heltids- och deltidsanställda kommer främst hamna i gruppen medelinkomsttagare. Även hushållsinkomsten (variabel HHINK) har uppdaterats genom att den satts till maximum av uppgiven hushållsinkomst och den justerade individinkomsten. Stockholm-Globen WSP Sverige AB Peter Almström 2 (2) C:\Users\IdaK\Work Folders\Documents\LSM - Sampers\Sampers4\Leverans\ _Sampers4_leverans\Bilaga_1.docx

152 UPPDRAGSNAMN Utvecklingsplan för Sampers - omskattning FÖRFATTARE Peter Almström UPPDRAGSNUMMER DATUM PM AREA PER TRAFIKZON Arean för varje trafikzon har beräknats, både enligt den gamla trafikzonsindelningen som gällde tom 2014 och den nya som kom Det som beräknats är total area, vatten-area och land-area per trafikzon. Som vattenskikt har Översiktskarta GCD 2016 använts. Nedan visas kartbilder på materialet utifrån vilket areorna beräknats. Summan av den land-area som beräknats stämmer väl överens med rikets faktiska area, även för de stickprov för enstaka kommuner och län som tagits råder överensstämmelse. Figur 1 Kartillustrationer över de skikt med SAMS-områden/trafikzoner och vatten som använts vid area-beräkningarna. Till väster syns hela riket med en in-zoomning över Skåne till höger. Stockholm-Globen WSP Sverige AB Peter Almström WSP Analys & Strategi Stockholm-Globen Besök: Arenavägen 7 T: WSP Sverige AB Org. nr: Styrelsens säte: Stockholm wsp.com 1 (1) C:\Users\IdaK\Work Folders\Documents\LSM - Sampers\Sampers4\Leverans\ _Sampers4_leverans\Bilaga_2.docx

153 Detaljerade skattningsresultat för resegenerering Vid implementation bör denna dokumentation läsas parallellt med skattningsfilerna från A-logit som utgör källan till alla estimat. Beskrivningen av skattningsresultaten består av flera tabeller. Listningen av nyttofunktionerna ligger i tabell 1 nedan. Dessa är indelade i resmönster efter antal resor som ingår i mönstret och vilka ärendena är. Eftersom det är många kombinationer av ärenden och antal resor är vissa resmönster aggregerade. Aggregaten och dess koder återfinns i tabell 2. I tabell 4-7 återfinns parameterestimaten. Vissa parametrar är gemensamma för flera resmönster, exempelvis resmönster där arbete utgör första ärendet i ett resmönster medan resterande ärenden skiljer. För dessa parametrar går det därmed inte att lista alla ärenden som tillhör parametern utan det kan då stå Flera eller Samtliga. De alternativspecifika konstanterna är numrerade efter nyttofunktionen och återfinns i tabell Där alternativet utgör aggregat av ärenden krävs en fördelning för att fördela ut antal resor på de ärenden som modellen hanterar. Den fördelningsnyckeln återfinns i tabell 11. Tabell 1. Numrering av nyttofunktioner och deras innehåll. X avser resterande ärenden som inte är specificerade i övriga koder i tabellen nedan. Nyttofunktion Resmönster 1 resa Nyttofunktion Resmönster 2 nr. resor Nyttofunktion nr. Resmönster Nyttofunktion Resmönster Nyttofunktion Resmönster 2 resor nr. 3 resor nr 4 resor 2 Arbete 12 Arb, tj 37 SV,rekr 62 Arb,U,F 86 4-resor 3 Skola 13 Arb, SHBT 38 SV,SKJ 63 Arb,F,U 4 Tjänste 14 Arb, SV 39 SV, InkD 64 Arb,U,U 5 Service +Hälsa+BT 15 Arb, Rek 40 SV, InkS 65 Arb,F,F 6 Släkt o vänner 16 Arb, skj 41 SV,Övr 66 Sko,F,F 7 Rekreation 17 Arb, InkD 42 Rekr, Arb 67 Sko,F,U 8 Skjutsa 18 Arb, InkS 43 Rekr; SHBT 68 Sko,U,F 9 InkD 19 Arb,Övr 44 Rekr, SV 69 Sko,U,U 10 InkS 20 Sk, SV 45 Rekr, rekr 70 U,A,U 11 Övrigt 21 Sk, rek 46 Rekr, Skj 71 F,A,U 22 Sk, InkD 47 Rekr, InkD 72 U,A,F 23 Sk, InkS 48 Rekr, InkS 73 F,A,F 24 Sk, Övr 49 Rekr, X 74 U,U,A 1

154 25 Sk, X 50 Skjutsa, A 75 U,F,A 26 Tj, Tj 51 Skjutsa, U 76 F,F,A 27 Tj, X 52 Skjutsa, F 77 F,U,A 28 SHBT, Arb 53 InkD, A 78 U,U,U 29 SHBT, SHBT 54 InkD, U 79 U,U,F 30 SHBT, SV 55 InkD, F 80 U,F,U 31 SHBT, Rek 56 InkS, A 81 F,U,U 32 SHBT, InkD 57 InkS, U 82 F,F,F 33 SHBT, InkS 58 InkS, F 83 F,F,U 34 SHBT, X 59 Övr, A 84 F,U,F 35 SV, Försörjning 60 Övr, U 85 U,F,F 36 SV, SV 61 Övr, F Tabell 2. Förklaring till förkortningar i tabellen ovan. Huvudgrupp Ärende Kod Försörjning Arbete, Tjänsteresa, Skola A Underhåll Service, Hälsovård, Barntillsyn (SHBT); Dagligvaruinköp (InkD), Sällanköpsvaruinköp (InkS) U Fria aktiviteter Rekreation, Hälsa på släkt och vänner (SV), Skjutsa, Övrigt F Tabell 3. Logsumme-parametrar. Parameternamn Beskrivning Estimate Std.Error T-Ratio One Logsumparameter enresemönstren Two Logsumparameter tvåresemönstren Three Logsumparameter treresemönstren

155 Tabell 4. Skattade parametrar i nyttofunktionerna för resmönster med en resa. Parameternamn Beskrivning Estimate Std.Error T-Ratio Nyttofunktion Resmönster C1Resa Gemensam parameter för samtliga Samtliga enresemönster enresemönster LSarb_2 Logsumma arbetsresa Arbete helg_2 Lördag-söndag (0/1) Arbete I_H_2 Inkomst Arbete JA_2 Juli-augusti (0/1) Arbete jul_2 Juli (0/1) Arbete Age0616_3 Ålder 6-15 (0/1) Skola Age1619_3 Ålder (0/1) Skola Age1925_3 Ålder (0/1) Skola Age2535_3 Ålder (0/1) Skola villa_3 Bor i villa (0/1) Skola jul_3 Juli (0/1) Skola JA_3 Juli-augusti (0/1) Skola I_H_4 Inkomst Bostadsbaserad tjänsteresa JA_4 Juli-augusti (0/1) Bostadsbaserad tjänsteresa I_M1_4 Inkomst Bostadsbaserad tjänsteresa I_M_4 Inkomst Bostadsbaserad tjänsteresa PLT_4 PALT (0/1) Bostadsbaserad tjänsteresa wkd_4 Lördag-söndag (0/1) Bostadsbaserad tjänsteresa Man_5 Man (0/1) Service, hälsovård eller barntillsyn Age65w_5 Ålder 65- (0/1) Service, hälsovård eller barntillsyn I_L_5 Inkomst Service, hälsovård eller barntillsyn I_M_5 Inkomst Service, hälsovård eller barntillsyn I_H_5 Inkomst Service, hälsovård eller barntillsyn sat_6 Lördag (0/1) Besöka släkt eller vänner sun_6 Söndag (0/1) Besöka släkt eller vänner 3

156 I_M1_6 Inkomst Besöka släkt eller vänner I_M_6 Inkomst Besöka släkt eller vänner I_H_6 Inkomst Besöka släkt eller vänner JA_6 Juli-augusti (0/1) Besöka släkt eller vänner Dec_6 Decemeber (0/1) Besöka släkt eller vänner LSrek_7 Logsumma rekreationsresor Rekreation sat_7 Lördag (0/1) Rekreation sun_7 Söndag (0/1) Rekreation I_L_7 Inkomst Rekreation JA_7 Juli-augusti (0/1) Rekreation jul_7 Juli (0/1) Rekreation I_M_7 Inkomst Rekreation Barn_8 Barn i hushållet (0/1) Skjutsa BK_8 Har bil och körkort (0/1) Skjutsa JA_8 Juli-augusti (0/1) Skjutsa LSinkD_9 Logsumma inköp dagligvaror Inköp dagligvaror sat_9 Lördag (0/1) Inköp dagligvaror Man_9 Man (0/1) Inköp dagligvaror I_M_9 Inkomst Inköp dagligvaror I_H_9 Inkomst Inköp dagligvaror I_L_9 Inkomst Inköp dagligvaror LSinkS_10 Logsumma inköp sällanköpsvaror Inköp sällanköpsvaror sat_10 Lördag (0/1) Inköp sällanköpsvaror Man_10 Man (0/1) Inköp sällanköpsvaror JA_10 Juli-augusti (0/1) Inköp sällanköpsvaror jul_10 Juli (0/1) Inköp sällanköpsvaror Dec_10 December (0/1) Inköp sällanköpsvaror I_M_10 Inkomst Inköp sällanköpsvaror LSovr_11 Logsumma övriga resor Övrigt 4

157 Tabell 5. Skattade parametrar i nyttofunktioner för resmönster med två resor. Parameternamn Beskrivning Estimate Std.Error T-Ratio Nyttofunktion Första ärende Andra ärende C2Resor Gemensam konstant för samtliga Samtliga Samtliga tvåresemönster jul_a Juli (0/1) Arbete Flera LSarb_12 Logsumma arbetsresa E Arbete Flera barn_13 Barn i hushållet (0/1) Arbete SHBT helg1x Lördag - Söndag (0/1) Arbete Flera I_H_14 Inkomst Arbete Besöka släkt och vänner barn_16 Barn i hushållet (0/1) Arbete Skjutsa BK_16 Har bil och körkort (0/1) Arbete Skjutsa LSinkD17 Logsumma inköp dagligvaror E Arbete Inköp dagligvaror I_M_19 Inkomst Arbete Övrigt Age0616_20 Ålder 6-15 (0/1) Skjutsa Besöka släkt och vänner Age0619_20 Ålder (0/1) Skjutsa Besöka släkt och vänner JA_20 Juli-augusti (0/1) Skjutsa Besöka släkt och vänner Age0616_21 Ålder 6-15 (0/1) Skjutsa Rekreation Age1619_21 Ålder (0/1) Skjutsa Rekreation I_M_21 Inkomst Skjutsa Rekreation JA_21 Juli-augusti (0/1) Skjutsa Rekreation Age20w_22 Ålder 20-w (0/1) Skjutsa Inköp dagligvaror villa_22 Bor i villa (0/1) Skjutsa Inköp dagligvaror JA_22 Juli-augusti (0/1) Skjutsa Inköp dagligvaror Age1619_23 Ålder (0/1) Skjutsa Inköp sällanköpsvaror Age20w_23 Ålder 20-w (0/1) Skjutsa Inköp sällanköpsvaror JA_23 Juli-augusti (0/1) Skjutsa Inköp sällanköpsvaror Age20w_24 Ålder 20-w (0/1) Skjutsa Övrigt Dec_24 December (0/1) Skjutsa Övrigt Age1619_25 Ålder (0/1) Skjutsa Ej i

158 JA_25 Juli-augusti (0/1) Skjutsa Ej i I_L_27 Inkomst Tjänste Alla utom tjänste BK_27 Har bil och körkort (0/1) Tjänste Alla utom tjänste helg_28 Lördag - Söndag (0/1) Service, hälsovård, Arbete barntillsyn barn_28 Barn i hushållet (0/1) Service, hälsovård, Arbete barntillsyn man_29 Man (0/1) Service, hälsovård, barntillsyn Service, hälsovård, barntillsyn I_L_29 Inkomst Service, hälsovård, barntillsyn Service, hälsovård, barntillsyn barn_29 Barn i hushållet (0/1) Service, hälsovård, barntillsyn Service, hälsovård, barntillsyn JA_29 Juli-augusti (0/1) Service, hälsovård, barntillsyn Service, hälsovård, barntillsyn LSshbt_31 Logsumma SHBT E Service, hälsovård, Besöka släkt och vänner barntillsyn man_31 Man (0/1) Service, hälsovård, Besöka släkt och vänner barntillsyn I_H_32 Inkomst Service, hälsovård, Inköp dagligvaror barntillsyn man_34 Man (0/1) Service, hälsovård, Inköp sällanköpsvaror barntillsyn Arb_35 Arbetar (0/1) Besöka släkt och vänner Försörjning helg_slv Lördag - Söndag (0/1) Besöka släkt och vänner Ej försörjning Dec_36 December (0/1) Besöka släkt och vänner Besöka släkt och vänner LSslv39 Logsumma besök släkt eller vänner Besöka släkt och vänner Inköp dagligvaror Age1931_42 Ålder (0/1) Rekreation Arbete Age0019_42 Ålder 0-19 (0/1) Rekreation Arbete LSrek Logsumma rekreationsresor E Rekreation Samtliga Age0019_44 Ålder 0-19 (0/1) Rekreation Besöka släkt och vänner Helg_44 Lördag - Söndag (0/1) Rekreation Besöka släkt och vänner Age0019_45 Ålder 0-19 (0/1) Rekreation Rekreation 6

159 Helg_45 Lördag - Söndag (0/1) Rekreation Rekreation Helg_46 Lördag - Söndag (0/1) Rekreation Skjutsa Helg_47 Lördag - Söndag (0/1) Rekreation Inköp dagligvaror Helg_48 Lördag - Söndag (0/1) Rekreation Inköp sällanköpsvaror Helg_49 Lördag - Söndag (0/1) Rekreation Skola, tjänste, service, övrigt LSskj_50 Logsumma skjutsa Skjutsa Försörjning I_Z_50 Inkomst Skjutsa Försörjning Barn_50 Barn i hushållet (0/1) Skjutsa Försörjning I_Z_51 Inkomst Skjutsa Underhåll Barn_51 Barn i hushållet (0/1) Skjutsa Underhåll Barn_52 Barn i hushållet (0/1) Skjutsa Fria aktiviteter BK_52 Har bil och körkort (0/1) Skjutsa Fria aktiviteter JA_52 Juli-augusti (0/1) Skjutsa Fria aktiviteter LSinkd_52 Logsumma inköp dagligvaror Skjutsa Fria aktiviteter Arb_53 Arbetar (0/1) Inköp dagligvaror Försörjning Helg_54 Lördag - Söndag (0/1) Inköp dagligvaror Underhåll Age65w_54 Ålder 65-w (0/1) Inköp dagligvaror Underhåll LSinkd_54 Logsumma inköp dagligvaror Inköp dagligvaror Underhåll Helg_55 Lördag - Söndag (0/1) Inköp dagligvaror Fria aktiviteter LSinkD_55 Logsumma inköp dagligvaror E Inköp dagligvaror Fria aktiviteter I_L_55 Inkomst Inköp dagligvaror Fria aktiviteter jul_55 Juli (0/1) Inköp dagligvaror Fria aktiviteter man_55 Man (0/1) Inköp dagligvaror Fria aktiviteter man_56 Man (0/1) Inköp sällanköpsvaror Försörjning Arb_56 Arbetar (0/1) Inköp sällanköpsvaror Försörjning helg_56 Lördag - Söndag (0/1) Inköp sällanköpsvaror Försörjning Sat_57 Lördag (0/1) Inköp sällanköpsvaror Underhåll LSInkS_57 Logsumma inköp sällanköpsvaror Inköp sällanköpsvaror Underhåll 7

160 Sat_58 Lördag (0/1) Inköp sällanköpsvaror Fria aktiviteter LSInkS_58 Logsumma inköp sällanköpsvaror E Inköp sällanköpsvaror Fria aktiviteter jul_58 Juli (0/1) Inköp sällanköpsvaror Fria aktiviteter Man_59 Man (0/1) Övrigt Försörjning Arb_59 Arbetar (0/1) Övrigt Försörjning Helg_60 Lördag - Söndag (0/1) Övrigt Underhåll LSInkD_60 Logsumma inköp dagligvaror Övrigt Underhåll Sun_61 Söndag (0/1) Övrigt Fria aktiviteter LSovr_61 Logsumma övriga resor E Övrigt Fria aktiviteter Tabell 6. Skattade parametrar i nyttofunktionerna för treresemönster. Parameternamn Beskrivning Estimate Std.Error T-Ratio Nyttofunktion Första ärende Andra ärende Tredje ärende C3Resor Gemensam konstant för samtliga treresemönster Samtliga Samtliga Samtliga helg3r Lördag - Söndag (0/1) Arbete Flera Flera lsarb_6x Logsumma arbete E Arbete Flera Flera JA_6x Juli-augusti (0/1) Arbete Flera Flera Age0019_65 Ålder 0-19 (0/1) Arbete Fria aktiviteter Fria aktiviteter Age0616_66 Ålder 6-15 (0/1) Skola Fria aktiviteter Fria aktiviteter Age1619_66 Ålder (0/1) Skola Fria aktiviteter Fria aktiviteter Age1931_66 Ålder (0/1) Skola Fria aktiviteter Fria aktiviteter JA_66 Juli-augusti (0/1) Skola Samtliga Samtliga Age0616_67 Ålder 6-15 (0/1) Skola Fria aktiviteter Underhåll Age1619_67 Ålder (0/1) Skola Fria aktiviteter Underhåll Age0616_68 Ålder 6-15 (0/1) Skola Underhåll Fria aktiviteter Age1619_68 Ålder (0/1) Skola Underhåll Fria aktiviteter Age0616_69 Ålder 6-15 (0/1) Skola Underhåll Underhåll helg3ro Lördag - Söndag (0/1) Flera Flera Flera Barn_77 Barn i hushållet (0/1) Fria aktiviteter Underhåll Arbete 8

161 Parameternamn Beskrivning Estimate Std. Error LS_sbv88 Logsumma SHBT Flera Flera Flera Helg_79 Lördag - Söndag (0/1) Underhåll Underhåll Fria aktiviteter Helg_82 Lördag - Söndag (0/1) Fria aktiviteter Fria aktiviteter Fria aktiviteter jul_83 Juli (0/1) Fria aktiviteter Fria aktiviteter Underhåll Helg_85 Lördag - Söndag (0/1) Underhåll Fria aktiviteter Fria aktiviteter Tabell 7. Skattade parametrar i nyttofunktionen för fyrresemönster. Parameternamn Beskrivning Estimate Std.Error T-Ratio Nyttofunktion Resmönster C4Resor Konstant Samtliga ärenden Barn_86 Barn i hushållet (0/1) Samtliga ärenden I_H_86 Inkomst , Dummy (0/1) Samtliga ärenden BK_86 Har bil och körkort (0/1) Samtliga ärenden arb_86 Arbetar (0/1) Samtliga ärenden Tabell 8. Skattningsresultat för alternativspecifika konstanter enresemönster. ASC Estimate Std.Error T-Ratio asc asc asc asc asc asc asc asc asc

162 Tabell 9. Skattningsresultat alternativspecifika konstanter tvåresemönster. ASC Estimate Std.Error T-Ratio ASC Estimate Std.Error T-Ratio asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc

163 Tabell 10. Skattningsresultat alternativspecifika konstanter treresemönster. ASC Estimate Std.Error T-Ratio asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc asc

164 De ärenden som är aggregerade fördelas i ett andra steg med andelar som ärendet utgör av aggregatet enligt nedan. När ärendet modelleras som enskilt är det en etta i kolumnen medan det är ett decimaltal när valet utgör ett aggregat som fördelats. Radsumman är alltid lika med antalet resor i resmönstret. Tabellen levereras även i Excel-format. Tabell 11. Fördelningsnyckel för samtliga resmönster. Nyttofunktion Arbete Skola Bostadsbaserad tjänsteresa Service, barntillsyn, vård Besöka släkt eller vänner Rekreation Skjutsa Inköp dagligvaror Inköp sällanköpsvaror 1 Ingen resa Arbete Skola Tjänste Service Hälsa+Barntillsyn 6 Släkt o vänner Rekreation Skjutsa Inköp dagligvaror Inköp sällanköpsvaror 11 Övrigt Arb, tj Arb, SHBT Arb, SV Arb, Rek Arb, skj Arb, InkD Arb, InkS Arb,Övr Sk, SV Sk, rek Övrigt 12

165 22 Sk, InkD Sk, InkS Sk, Övr Sk, X Tj, Tj Tj, X SHBT, Arb SHBT, SHBT SHBT, SV SHBT, Rek SHBT, InkD SHBT, InkS SHBT, X SV, Försörjning SV, SV SV,rekr SV,SKJ SV, InkD SV, InkS SV,Övr Rekr, Arb Rekr; SHBT Rekr, SV Rekr, rekr Rekr, Skj Rekr, InkD Rekr, InkS Rekr, X Skjutsa, A

166 51 Skjutsa, U Skjutsa, F InkD, A InkD, U InkD, F InkS, A InkS, U InkS, F Övr, A Övr, U Övr, F Arb,U,F Arb,F,U Arb,U,U Arb,F,F Sko,F,F Sko,F,U Sko,U,F Sko,U,U U,A,U F,A,U U,A,F F,A,F U,U,A U,F,A F,F,A F,U,A U,U,U U,U,F

167 80 U,F,U F,U,U F,F,F F,F,U F,U,F U,F,F Fyra resor

168 RAPPORT Dokumentdatum Ev. diarienummer Dataframtagning till omskattning av Sampers Version 1 Författare: Staffan Algers 1 (31)

169 RAPPORT Dokumentdatum Ev. diarienummer Innehåll Omfattning av dokumentationen... 3 Uttag ur RES0506 och bearbetning till bostadsbaserade turer... 3 Socioekonomiska data från RVU... 5 Trafikdatabaser från TRV... 5 Anpassning av markanvändningsdata till SNI Bildande av indatafil för markanvändning... 7 Ärendevis påkodning av markanvändnings- och trafiksystemdata... 8 Sampling av destinationsalternativ... 8 Färdmedels- och destinationsval... 8 Koppling till LoS-matriserna... 9 Resgenerering... 9 Ärendevis beskrivning av datagenereringen Arbetsresor Skolresor Inköpsresor Besöksresor Rekreationsresor Övriga privatresor Tjänsteresor Data till resgenerering Sällskapsstorlek Tidperiod Jämförelse turer delresor Appendix 1 Färdsättsaggregering Appendix 2 Ärendeaggregering (31)

170 RAPPORT Dokumentdatum Ev. diarienummer Omfattning av dokumentationen Genereringen av estimeringsdata för omskattningen av Sampers bostadsbaserade regionala reseefterfrågemodeller omfattar följande steg: Uttag av resdata och socioekonomiska data ur RES0506 Bearbetning av resdata till bostadsbaserade turer Anpassning av markanvändningsdata till SNI2007 Ärendevis påkodning av markanvändnings- och trafiksystemdata till bostadsbaserade turer Generering av estimeringsfil utan alternativsampling Dessa steg dokumenteras i denna rapport. Uttag ur RES0506 och bearbetning till bostadsbaserade turer I diagram 1 åskådliggörs de första två stegen i databearbetningen. Utgångspunkten är delresemängden i RES0506, som först gjorts om från SPSS sav-fil format via textfil till Excelformat. Ett problem när det gäller RES0506-databasen är att den områdesindelning som kallas Sams skiljer sig från den Samsindelning som trafikverket använder. För modellskattningens del är vi mest intresserade av trafikverkets prognosområden (PO), som gäller för trafiksystemdata. I inköpsreseprojektet gjordes därför en separat kodning av start- och målpunkt för alla delresor till PO, baserat på koordinaterna i RES0506. Själva påmatchningen av PO till delresor skedde i Excelarket Shopmod_data.xlsx. Här sker också en aggregering av färdsätten i RVU till den färdsättsindelning som tillämpas i prognosmodellerna (se appendix 1), samt en aggregering till den ärendeindelning som används i modellskattningen (se appendix 2). Diagram 1 Från RES0506 till bostadsbaserade reskedjor Resultatet av processen så långt är alltså PO-kodade delresor med den information om delresan som är relevant för modellskattningen (i form av filen Shopmod_data_kk.scv). Denna fil är indata i det program som skapar reskedjor, RVUfix. Detta program bygger på den kod som utvecklades för den 3 (31)

171 RAPPORT Dokumentdatum Ev. diarienummer ursprungliga skattningen av Sampers och som sedan uppdaterats i olika projekt, senast i inköpsreseprojektet. Programmet RVUfix läser in alla delresor tillhörande en individ, och söker fram tre typer av reskedjor: Bostadsbaserade reskedjor Arbetsplatsbaserade reskedjor (här används bara kedjor med tjänsteärende) Variant av av bostadsbaserade arbetsresor med sekundära målpunkter (används inte här) Eftersom varje kedja kan innehålla flera målpunkter är det inte självklart vilken målpunkt som är den huvudsakliga målpunkten. Programmet väljer den målpunkt som har längst uppehållstid som den huvudsakliga målpunkten, om inte arbete eller tjänsteärende förekommer. När det gäller färdsätt undersöks först vilka färdsätt som förekommer under reskedjan, och sedan definieras det huvudsakliga färdsättet utifrån följande hierarki: If ( Tag.eq. 1) then Hfards = 4 (Tåg) Else if (Buss.eq. 1) then Hfards = 3 (Buss) Else if (Bil.eq. 1) then Hfards = 1 (Bil som förare) Else if (Bilp.eq. 1) then Hfards = 2 (Bil som passagerare) Else if (Cykel.eq. 1) then Hfards = 6 (Cykel) Else if (Gang.eq. 1) then Hfards = 5 (Gång) Else Hfards = 7 (Övrigt) Endif Några kombinerade färdsätt definieras således inte. Resultatet av denna bearbetning redovisas i det följande. I tabell 1 redovisas antalet resekedjor fördelade på restyp totalt och utan bortfall på start- eller målpunkt. Kedjetyp Totalt antal Antal med start- och målpunkt Bostadsbaserade Arbetsplatsbaserade Arbetsresa med sekundär destination Summa Tabell 1. Antal reskedjor fördelade på restyp Dessutom förekommer 4556 s.k. rundresor, där såväl startpunkt som målpunkt är den egna bostaden. Dessa resor modelleras inte. I tabell 2 redovisas de bostadsbaserade resekedjorna på färdsätt. Bilförare Bilpass Buss Tåg Gång Cykel Övrigt Summa Tabell 2. Antal bostadsbaserade reskedjor fördelade på färdsätt Resärende Antal bostadsbaserade reskedjor Arbete 7442 Skola 3077 Tjänste (31)

172 RAPPORT Dokumentdatum Ev. diarienummer Service 670 Hälsa 429 Barntillsyn 484 Släkt och vänner 3215 Annan fritidsverksamhet 5950 Skjuts 1210 Dagligvaruinköp 3060 Sällanvaruinköp 1999 Yrkesmässig förflyttning 44 Övrigt 1858 Summa Tabell 3. Antal bostadsbaserade reskedjor fördelade på resärende Socioekonomiska data från RVU Delresebasen innehåller visserligen ett antal socioekonomiska data, men av praktiska skäl blev det enklare att generera en delmängd socioekonomiska data vid sidan av delresemängden (sådana data kommer att behövas även för dem som inte rest). I diagram 2 visas denna process. Diagram 2. Framtagning av socioekonomiska data ur RES0506 Data har tagits från den del i RES-databasen som beskriver de medverkande individerna och deras hushåll. En för modellskattningen relevant delmängd har skapats och formaterats i programmet Socek_fix, med resultatfilen (textformat) Socek0506.dat. Trafikdatabaser från TRV I inköpsreseprojektet användes databaser som erhölls från TRV under För omskattningsprojektet erhölls i mars 2014 en ny leverans av de regionala databaserna, fortfarande dock avseende 2005/2006. Som ett led i dataframtagningsprocessen har de LoS-data som nu erhållits från trafikverket jämförts med de som användes i inköpsresemodellprojektet 2013, och som laddades ner Jämförelsen gjordes genom att summera alla matriselement för varje matris. De enda skillnader som noterades avsåg LoS-matriserna för väg i Samm. Dessa skillnader redovisas i tabell Matris Beskrivning Summa Matris Beskrivning nr nr 1 Vägavgifter arbetsresor Vägavgifter arbetsresor (31)

173 RAPPORT Dokumentdatum Ev. diarienummer Vägavgifter övriga resor Vägavgifter övriga resor Bilrestid h g med mf Bilrestid hog med mf Bilrestid l g med mf Bilrestid lag med mf Bilavst nd med mf Bilavstand lag med mf GC-avst nd med ms GC-avst nd med ms Tabell 4. Skillnader i matrissumma mellan databaser avseende Samm erhållna 2012 respektive 2014 Skillnaderna på totalnivå är små, men kan innehålla större skillnader på finare nivå. För att testa skillnaden skattades en av inköpsresemodellerna om med de nya emme-databaserna. Skillnaderna visade sig ytterst små och i praktiken försumbara. Testen finns i Test emmedatabas.xlsx. De senast levererade databaserna har använts för alla resärenden utom inköpsresorna. 6 (31)

174 RAPPORT Dokumentdatum Ev. diarienummer Anpassning av markanvändningsdata till SNI2007 För att kunna använda tvåsiffernivån från SNI2002 i modellskattningen och kunna dataförsörja den med data enligt 2007 är det önskvärt att anpassa skattningsdata så långt möjligt till tvåsifferindelningen för SNI2007. I tabell 5 har en sådan anpassning gjorts till SNI45 (SNI2007) och SNI47 (SNI2007). Modell Variabler i Samsdag SNI2002 SNI2007 Arbetsresor Totalt antal sysselsatta alla alla Skolresor Antal sysselsatta i utbildning SNI 80 SNI 85 Tjänsteresor Totalt antal sysselsatta alla alla Sysselsatta i summa se Appendix 3 se Appendix 3 NG_G_I_J_K_L_M_N Besöksresor Totalt antal sysselsatta alla alla Fritidsresor Hotell och restaurang SNI 55 SNI 55, SNI56 Kultur och sport SNI 92 SNI 59, SNI90-93 Övriga resor Size_NGG parti- och SNI50 SNI50500 SNI 45 detaljhandel SNI 51 SNI 46 SNI 52 + SNI50500 SNI 47 NG_N Hälso och sjukvård, sociala tjänster veterinärverks. SNI SNI 85 SNI 86 + SNI75 NG_H Hotell och restaurang SNI 55 SNI 55 + SNI56 NG_L Offentlig förvaltning och försvar, obl. Socialförsäkring SNI 75 SNI 84 NG_M Utbildning SNI 80 SNI 85 I+J+K SNI SNI SNI SNI SNI68-82 Tabell 5. Jämförelse näringsgrensindelning SNI2002 och SNI2007. Anpassningen har gjorts med hjälp av SCB s databas. För att testa effekten av den gjorda anpassningen har samma modell som användes i databankjämförelsen skattats på den SNI2007-anpassade näringsgrensindelningen. Även i detta fall blev skillnaderna mycket små och i inget fall ens i närheten av signifikans. Bildande av indatafil för markanvändning Alla markanvändningsdata kommer från SAMS-databasen Sams2006_ver25_ mdb förutom den av SCB levererade justeringen av näringsgren SNI52 samt uppdelningen på SNI80 i grundskola, gymnasium och övrig utbildning. Den indatafil som används i matchningen genereras i Excelarket LUMAT_PO_Besok_Skola_SNI2007just_Yta.xlsx. Av praktiska skäl kom informationen om centralort i kommun respektive län att läggas i en separat fil (Centralort.dat) 7 (31)

175 RAPPORT Dokumentdatum Ev. diarienummer Ärendevis påkodning av markanvändnings- och trafiksystemdata Omskattningen avser såväl färdsätts- och destinationsval som resgenerering. Resgenereringen sker med hänsyn till hur olika aktivitetskombinationer efterfrågas under en dag, och skattas därför inte ärendevis. Logsummor från respektive ärende behöver emellertid genereras som input till resgenereringen, och det finns därför två steg i datagenereringen ett för färdsätts- och destinationsval och ett för resgenereringen. Sampling av destinationsalternativ Modellerna i inköpsreseprojektet skattades med hjälp av sampling av destinationsalternativ. Den rådande skepsisen i forskarvärlden mot alternativsampling i nästade modeller har gjort att vi i omskattningsprojektet väljer att avstå från alternativsampling. Programmet som hanterar påkodningen av trafik-och områdesdata (Matmatch_mega i diagram 3) innehåller fortfarande möjligheten att använda sampling, och det bör påpekas att det bara är när samplingen sker på en underliggande nivå som problemen uppstår. Oftast är dock regionala modeller nästade med destinationsvalet på en underliggande nivå. Känslan av att samplingen ger en bias har gjort att resfrekvensvalet inte skattats simultant med färdsätts- och destinationsval vid tidigare skattningar av Sampersmodellerna. I stället har logsummor från färdsätts- och destinationsval skapats med hjälp av Alogit och kodats på respektive individ, varefter en separat skattning av resfrekvensvalet gjorts. Om man inte samplar destinationer kan resfrekvensvalet skattas simultant med övriga dimensioner. Priset blir dock ett betydligt större antal observationer, med åtföljande ökning av exekveringstiden och betydligt mycket större och nästintill ohanterliga - datafiler. Ett sätt att hantera detta är att som gjorts här börja med färdsätts- och destinationsvalet, och i ett andra steg lägga till indatafiler till genereringen. Färdmedels- och destinationsval Påkodningen av markanvändningsdata och LoS-data görs ärendevis, dels för att få hanterlig datamängder vid estimeringsarbetet, dels för att olika ärenden kan kräva olika uppsättningar av indata. Påkodningen görs också regionvis, eftersom emmebankerna är regionspecifika. Dataflödet för påkodningen redovisas i diagram 3. Förutom tidigare redovisade filer används också filerna region_nyk.dat och region_nynyk.dat. Dessa är regionspecifika nycklar för vilka områden som är inom respektive utom regionen (region_nyk.dat) samt vilka områden som ingår i emmedatabasen (region_nynyk.dat). 8 (31)

176 RAPPORT Dokumentdatum Ev. diarienummer Diagram 3 Påmatchning av markanvändnings- och LoS-data till bostadsbaserade turer I detta steg används således endast data för observerade resor. Statistikfilerna innehåller information om fördelningen av turer på tidsperioder och reslängd, vilket används dels för resegenereringen (se nedan), dels för validering. Koppling till LoS-matriserna Alla resor är kopplade till det trafikutbud som avser den tidperiod under vilken resan skedde. Följande tidsperioder har definierats: kl kl kl Kl kl Tidsperioden avser det tidsintervall inom vilket resan påbörjats. Trafiknätens högtrafikmatriser har kopplats till perioderna samt , och lågtrafikmatriserna till övriga perioder. Detta gäller för såväl ut- som hemresa. Resor som genomförts under 2005 är kopplade till bilmatriser utan trängselavgifter. För resor lör- och söndagar tillämpas lågtrafikutbudet. Kollektivtrafiktaxor För arbetsresor antas månadskort vara det lägsta priset (även om detta inte alltid är korrekt). I avsaknad av en mer utvecklad modell för månadskortsinnehav har därför månadskorttaxan applicerats på alla resor. Detta gäller äver skolresor (se nedan). För övriga resor antas att månadskortsinnehavet är exogent. Om personen innehar månadskort antas att inköpsresor med kollektivt färdmedel inte medför någon extra kostnad, annars antas kontant/rabattataxan gälla. Resgenerering För att kunna bilda logsummor från färdmedels- och destinationsvalet krävs att vissa antaganden görs för dem som inte rest när det gäller hur stort sällskap det var som inte reste och i vilken tidsperiod man inte reste. Dessa data har tagits bl.a. från de statistikfiler som genereras vid matchningen (se avsnittet Data till resgenerering nedan) För övrigt är proceduren identisk med genereringen av indata till färdsätts- och destinationsvalet, så när som på att indata nu är alla individer i undersökningen (vilket leder till datafiler i storleksordningen 20 Gb). 9 (31)

177 RAPPORT Dokumentdatum Ev. diarienummer Ärendevis beskrivning av datagenereringen Skälet till att man vill skatta olika modeller för olika resärenden är att preferenserna kan skilja sig åt, samt att framför allt målpunktsbeskrivningen kan skilja sig mellan olika ärenden. Ibland vill man också skilja på resärenden på grund av den efterkommande behandlingen (t.ex för att kunna tillämpa ASEKtidsvärden för olika ärenden vid CBA). Antalet observerade resor får dock inte vara för lågt, eftersom det kan ge en dålig skattning. Egentligen är uppdelningen på olika resärenden en empirisk fråga, där förklaringsgraden är den viktiga parametern det finns inget skäl att förfina ärendeindelningen om det inte ger något bidrag till ökad förklaringsgrad. I tabell 6 redovisas antalet bostadsbaserade reskedjor för den aggregering av resärenden i RES0506 som gjordes inledningsvis (alla dagar), samt det antal turer som använts i skattningen (turer under tio mil enkel resa inom respektive region): Resärende Antal bostadsbaserade reskedjor totalt Antal bostadsbaserade turer i skattning av regionala modeller Arbete Skola Tjänste Service Hälsa Barntillsyn Släkt och vänner Annan fritidsverksamhet Skjuts Dagligvaruinköp Sällanvaruinköp Övrigt Summa Tabell 6. Antal genererade turer för olika resärenden i RES0506 Estimeringsdata har genererats med hänsyn till vilka data som bäst svarar mot respektive resärende, vilket innebär att den uppdelning på resärende som blivit slutresultatet i omskattningen inte nödvändigtvis är exakt densamma som i datagenereringen. I det följande redovisas dataframtagningen för de ärendegrupper som genererats i samma matchningskörning. Redovisningen omfattar Fördelningen av resorna på färdsätt, avstånd samt restidpunkt Kopplingen till LoS-matriserna Markanvändningsvariabler Varje matchningsgrupp behandlas i separata program Matmatch_mega, så att datauttaget kan anpassas efter behov. Resultatet är en fil med skattningsdata (med tillhörande variabelförteckning). 10 (31)

178 RAPPORT Dokumentdatum Ev. diarienummer Arbetsresor Arbetsresorna har i tidigare regionala modeller definierats utan övre avståndsgräns. Nu behandlas arbetsresor som ett separat resärende i modellen för långväga resor (resor över 10 mil enkel resa). Det är därför naturligt att tillämpa denna gräns även för regionala arbetsresor. Tabell 7 visar fördelningen på avstånd (enkel resa) och färdsätt. Såväl för arbetsresor som för övriga reseärenden finns enstaka observationer med orimligt höga värden för reseavstånd. Observationer med gångavstånd > 5 km och cykelavstånd > 10 km har tagits bort vid skattningen. Avstånds-klass Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 7 Fördelning av arbetsresor på avstånd och färdsätt Tabell 8 visar fördelningen på tidsperioder. Hemresa Utresa Summa Summa Tabell 8 Fördelning av ut- och hemresa på tidsperioder - arbetsresor. I de fall hemresan tidsmässigt äger rum för utresan antas att tidpunkten för utresan avser föregående dag (gäller c:a 1 procent av turerna). 11 (31)

179 RAPPORT Dokumentdatum Ev. diarienummer Skolresor Skolresorna avser resor under 10 mil. Tabell 9 visar fördelningen på avstånd och färdsätt. Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Summa Tabell 9 Fördelning av arbetsresor på avstånd och färdsätt Hemresa Utresa Summa Summa Tabell 10 Fördelning av ut- och hemresa på tidsperioder - skolresor Tabell 10 beskriver fördelningen på tidsperioder. I de fall hemresan tidsmässigt äger rum för utresan antas att tidpunkten för utresan avser föregående dag (gäller c:a 2 promille av turerna). Kollektivtrafiktaxor I Sampers förekommer skolresor, uppdelade på olika ålderskategorier. En fråga är hur kostnaderna för dessa resor behandlas i skattning och tillämpning. Från RES05/06 kan vi se fördelningen på färdbevisinnehavet för gruppen studerande fördelat på olika åldersklasser (tabell 11, uppräknade tal): Ålder Antal personer Månads/ Skolkort Annat kort Rabattkort/ Remsa Påfyllningskort Inget färdbevis 6-13 år år år år Alla Tabell 11 Fördelning av studerande på färdbevistyp. 12 (31)

180 RAPPORT Dokumentdatum Ev. diarienummer För de yngsta är kollandelen låg, och en fjärdedel av dessa kollresor är skolskjuts (tabell 12). Ålder Gång Cykel Moped/ Tbana/ Skolskjuttjänst Båt Färd- Taxi Tåg Buss Bil Andel MC spårvagn koll Tabel 12 Fördelning av studerande på färdmedel Det framgår inte direkt av resvaneundersökningen vilka som har skolkort, eftersom den upplysningen bara finns för Stockholms län, och eftersom skolkort dessutom inte redovisas separat i RES-databasen. Separata modeller har skattats för tre olika studerandekategorier grundskola, gymnasium och övrig utbildning. Klassificeringen har skett utifrån ålder. Skolresor är åtminstone för de två första kategorierna tillräckligt frekventa för att någon form av månads- eller skolkort ska vara det mest sannolika färdbeviset för kollektivtrafikresor. Vi saknar dock data för skolkortskostnaden i trafiknätsdata. Samtidigt kan det vara så att kostnaden för skolkort inte bärs av resenären eller resenärshushållet åtminstone i yngre åldrar. För dem som är över 18 år är nog den kortkostnad vi har tillgång till i trafiknätsdata en bättre gissning. För dem som är 6-18 år är det kanske också bättre att ange den kortkostnaden, och låta den latenta skolkortsrabatten ingå i den skattade parametern (eftersom det är separata modeller). Skattningsdata innehåller därför kortkostnaden enligt trafiknätsdata. 13 (31)

181 RAPPORT Dokumentdatum Ev. diarienummer Inköpsresor Skattningsdata för inköpsresor avser resor under 10 mil. Två ärendetyper har genererats i samma programversion, nämligen dagliginköp och sällaninköp. Fördelningen på avstånd och färdsätt redovisas i tabell 13 och 14 för respektive resärende. Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 13 Fördelning av dagligvaruinköp på avstånd och färdsätt Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 14 Fördelning av sällaninköp på avstånd och färdsätt Fördelningen på tidsperiod för ut- och återresa redovisas i tabell 15 och 16 för respektive dagligvaruköp och sällanköp. 14 (31)

182 RAPPORT Dokumentdatum Ev. diarienummer kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 15. Antal dagligvaruinköpsresor fördelade på tidperiod för ut- och hemresa Antal resor fördelade på tidpunkt för ut- och hemresa kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 16. Antal sällaninköpsresor fördelade på tidperiod för ut- och hemresa 15 (31)

183 RAPPORT Dokumentdatum Ev. diarienummer Besöksresor Skattningsdata för besöksresor avser resor under 10 mil. Endast en ärendetyp har skattats. Fördelningen på avstånd och färdsätt redovisas i tabell 17. Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 17 Fördelning av besöksresor på avstånd och färdsätt Fördelningen på tidsperiod för ut- och återresa redovisas i tabell 18. kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 18. Antal besöksturer fördelade på tidperiod för ut- och hemresa 16 (31)

184 RAPPORT Dokumentdatum Ev. diarienummer Rekreationsresor Skattningsdata för rekreationssresor avser resor under 10 mil. Endast en ärendetyp har skattats. Fördelningen på avstånd och färdsätt redovisas i tabell 19. Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 19 Fördelning av rekreationsresor på avstånd och färdsätt Fördelningen på tidsperiod för ut- och återresa redovisas i tabell 20. kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 20. Antal rekreationsturer fördelade på tidperiod för ut- och hemresa 17 (31)

185 RAPPORT Dokumentdatum Ev. diarienummer Övriga privatresor Skattningsdata för övriga privatresor avser resor under 10 mil. Denna grupp är inte särskilt homogen, varför separata modeller för tre olika ärendetyper skattats: Service, hälsa, barntillsyn Skjuts Övrigt Fördelningen på avstånd och färdsätt för respektive kategori redovisas i tabellerna Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 21 Fördelning av resor för service, hälsa och barntillsyn på avstånd och färdsätt Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 22 Fördelning av resor för att skjutsa någon på avstånd och färdsätt 18 (31)

186 RAPPORT Dokumentdatum Ev. diarienummer Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 23 Fördelning av övriga privatresor på avstånd och färdsätt Fördelningen på tidsperiod för ut- och återresa redovisas i tabell 24. kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 24. Antal resor för service, hälsa och barntillsyn fördelade på tidperiod för ut- och hemresa Fördelningen på tidsperiod för ut- och återresa redovisas i tabell 25. kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 25. Antal resor för Skjutsning fördelade på tidperiod för ut- och hemresa 19 (31)

187 RAPPORT Dokumentdatum Ev. diarienummer Fördelningen på tidsperiod för ut- och återresa redovisas i tabell 26. kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 26. Antal resor för övriga privatresor fördelade på tidperiod för ut- och hemresa 20 (31)

188 RAPPORT Dokumentdatum Ev. diarienummer Tjänsteresor När det gäller tjänsteresor har såväl bostadsbaserade resor som arbetsplatsbaserade arbetsresor tagits med, eftersom andelen arbetsplatsbaserade resor är särskilt hög för detta resärende. I båda fall avses resor under 10 mil. Fördelningen på reslängd och färdsätt för de båda kategorierna tjänsteresor framgår av tabellerna 27 och 28. Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 27 Fördelning av bostadsbaserade tjänsteresor på avstånd och färdsätt Bilförare Bilpass. Kollektivt Gång Cykel Övrigt Summa km km km km km km km km km km km km Totalt Tabell 28 Fördelning av arbetsplatsbaserade tjänsteresor på avstånd och färdsätt 21 (31)

189 RAPPORT Dokumentdatum Ev. diarienummer Fördelningen på tidsperiod för ut- och återresa redovisas i tabell 29 och 30. kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 29. Antal bostadsbaserade tjänsteresor fördelade på tidperiod för ut- och hemresa kl 0-7 kl 7-9 kl 9-15 kl kl 18- Summa kl kl kl kl kl Summa Tabell 30. Antal arbetsplatsbaserade tjänsteresor fördelade på tidperiod för ut- och hemresa Data till resgenerering När det gäller data till resgenerering krävs att antaganden om sällskapsstorlek och tidperiod görs för dem som inte genomfört någon arbetsresa. Sällskapsstorlek Sällskapsstorleken bestäms för varje individ genom en slumpmässig dragning ur en fördelning på hushållsstorlek och sällskapsstorlek för dem som genomfört en resa med aktuellt ärende. Arbets- och tjänsteresor För arbetsresor är den genomsnittliga sällskapsstorleken 1.2 personer, och här görs ett förenklat antagande att 80 procent av alla arbetsresor sker utan sällskap, och 20 procent med 2 personers i ressällskapet. För tjänsteresor är motsvarande siffror 1.23 och 23 procent. Skolresor För skolresor dras en sällskapsstorlek ur följande fördelningar (en för varje hushållsstorlek). Sällskapsstorlek (kumulativ fördelning) Hushållsstorlek Tabell 31 Kumulativ fördelning på sällskapsstorlek för skolresor beroende på hushållsstorlek Inköpsresor För inköpsresor har två ärendetyper definierats, dagligvaruinköp och sällaninköp. Sällskapsstorleksfördelningarna ser ut på följande sätt: 22 (31)

190 RAPPORT Dokumentdatum Ev. diarienummer Sällskapsstorlek (kumulativ fördelning) Hushållsstorlek Tabell 32 Kumulativ fördelning på sällskapsstorlek för dagligvaruinköp beroende på hushållsstorlek Sällskapsstorlek (kumulativ fördelning) Hushållsstorlek Tabell 33 Kumulativ fördelning på sällskapsstorlek för sällaninköp beroende på hushållsstorlek Besöksresor För besöksresor dras en sällskapsstorlek ur följande fördelningar (en för varje hushållsstorlek). Sällskapsstorlek (kumulativ fördelning) Hushållsstorlek Tabell 34 Kumulativ fördelning på sällskapsstorlek för besöksresor beroende på hushållsstorlek Rekreationsresor För rekreationsresor dras en sällskapsstorlek ur följande fördelningar (en för varje hushållsstorlek). Sällskapsstorlek (kumulativ fördelning) Hushållsstorlek Tabell 35 Kumulativ fördelning på sällskapsstorlek för rekreationsresor beroende på hushållsstorlek Övriga resor För övriga resor dras en sällskapsstorlek ur följande fördelning. Sällskapsstorlek (kumulativ fördelning) Hushållsstorlek (31)

191 RAPPORT Dokumentdatum Ev. diarienummer Tabell 36 Kumulativ fördelning på sällskapsstorlek för övriga resor beroende på hushållsstorlek Tidperiod När det gäller fördelningen på tidsperiod summeras LoS-data för hög-respektive lågtrafik med en högtrafikandel som beräknats ur tidperiodfördelningen för de faktiskt genomförda resorna (som tidigare redovisats). 24 (31)

192 RAPPORT Dokumentdatum Ev. diarienummer Jämförelse turer delresor I RVU n samlas resandet in i form av delresor, dvs resor mellan de punkter där man genomför någon aktivitet. Denna följd av resor förenklas sedan till bostadsbaserade turer, arbetsplatsbaserade turer och sekundära destinationer, dvs en aktivitet på vägen mellan hemmet och bostaden eller tvärtom. Det kan vara intressant att jämföra hur stor del av trafikarbetet som man missar genom förenklingen till enbart bostadsbaserade turer (plus de arbetsplatsbaserade tjänsteresorna). Låt oss först undersöka delresorna det är på denna nivå som resandet beskrivs, och som vi här betraktar som sanningen när det gäller trafikarbetet. I tabell 37 visas antalet delresor fördelat på ärende och färdsätt. Rundturer (delresor med start och mål i egen bostad) och delresor över 100 km har tagits bort, eftersom vi intresserar oss för de regionala resorna med en definierad målpunkt. Ingen uppgift Bilförare Bilpass Buss Tåg Gång Cykel Övrigt Summa Arbete Skola Tjänste Service Hälsa Barntillsyn Släkt o vänner Rekreation Skjutsa Dagligvaruinköp Sällanvaruinköp Övrigt Summa Tabell 37 Fördelning av delresor på ärende och färdsätt Bilförare Bilpass Buss Tåg Gång Cykel Övrigt Summa Arbete Skola Tjänste Service Hälsa Barntillsyn Släkt o vänner Rekreation Skjutsa Dagligvaruinköp Sällanvaruinköp Övrigt Summa Tabell 38 Fördelning av bostadsbaserade turer på ärende och färdsätt 25 (31)

193 RAPPORT Dokumentdatum Ev. diarienummer Delresorna kan jämföras med motsvarande fördelning av de bostadsbaserade turerna (tabell 38). Av naturliga skäl finns här inga turer med odefinierade färdsätt. Tabell 39 visar antalet delresor per tur fördelat på ärende och färdsätt. Här har också övriga färdsätt tagits bort (taxi ingår bland bilpassagerarna, andelen taxiresor bland bilpassagerarna är 2.3 procent). Bilförare Bilpass Buss Tåg Gång Cykel Summa Arbete Skola Tjänste Service Hälsa Barntillsyn Släkt o vänner Rekreation Skjutsa Dagligvaruinköp Sällanvaruinköp Övrigt Summa Tabell 39 Fördelning av delresor per tur på ärende och färdsätt Det krävs två delresor för att motsvara en tur, men för vissa färdsätt fall är ibland antalet delresor lägre än två. Detta beror på färdsättsklassningen som beskrevs tidigare en delresa med buss kan exempelvis ingå i en tur som klassats som bilresa. I genomsnitt är antalet delresor per tur 2.42, vilket innebär en förenkling av resmönstret. En intressant fråga är i vilken utsträckning detta ger en felskattning av trafikarbetet. För att undersöka det kan vi jämföra trafikarbetet baserat på delresornas uppgifter i RVU n med de reslängder som kodats på turerna från trafiknätsinformationen i emmebankerna. I skattningsdata finns för varje tur den sammanlagda rapporterade längden för de ingående delresorna liksom avståndet från trafiknäten för den aktuella turen. Det senare används i modellskattningen eftersom data behövs även för de områden som inte besökts i den aktuella resan. Bilförare Bilpass Buss Tåg Gång Cykel Summa Arbete Skola Tjänste Service Hälsa Barntillsyn Släkt o vänner Rekreation Skjutsa Dagligvaruinköp Sällanvaruinköp Övrigt Summa (31)

194 RAPPORT Dokumentdatum Ev. diarienummer Tabell 40 Kvot mellan trafikarbete från turer och trafikarbete från delresor I tabell 40 redovisas förhållandet mellan trafikarbetet från turerna och trafikarbetet från delresorna. Förenklingen till turer har ingen märkbar effekt på trafikarbetet genomsnittligt sett turerna svarar för 100 procent av delresornas trafikarbete. För biltrafiken (bil som förare) motsvarar turerna delresornas trafikarbete till 95 procent. Trafikarbetet för buss överskattas något av turdata, medan trafikarbetet för tåg underskattas med 7 procent. Anledningen till att turavståndet kan bli längre (trots förenklingen att mellanpunkter slopas) är främst att nätdata är en grov beskrivning särskilt för kortare resor. Fel i resvaneundersökningen kan inte heller uteslutas. Gångförflyttningarna uppvisar de största avvikelserna, därnäst cykel. Detta beror troligen på att dessa resor oftast är mycket korta, och då inte beskrivs särskilt väl av trafiknätsdata. Cykel och gångturerna svarar endast för c:a 4 procent av det totala trafikarbetet. I huvudsak kan man säga att förenklingen från delresor till bostadsbaserade turer endast har en marginell effekt på det totala trafikarbetet. 27 (31)

195 RAPPORT Dokumentdatum Ev. diarienummer Appendix 1 Färdsättsaggregering Färdsätt aggregeras i samband med delreseuttaget till följande färdsättskategorier: Färdsättskategorier Bil = 1 Bilp = 2 Buss = 3 Tag = 4 Gang = 5 Cykel = 6 Övrigt = 7 Aggregeringsnyckel RVU-kod Färdsätt Aggrerat färdsätt 0 ='Uppgift saknas' 0 1 ='Gick till fots' 5 2 ='Cykel' 6 3 ='Moped' 7 4 ='Mc' 7 10 ='T-bana' 4 11 ='Spårvagn' 4 13 ='Skolskjuts' 4 15 ='Flyg, charter' 0 16 ='Fritidsbåt' 0 17 ='Sjöfart' 0 18 ='Snöskoter' 0 19 ='Traktor, arbetsredskap' 0 20 ='Färdtjänst, taxi, passagerare' 7 21 ='Färdtjänst, specialfordon, passagerare' 7 22 ='Färdtjänst med specialfordon, förare' 7 61 ='Taxi (ej färdtjänst), förare' 0 62 ='Taxi (ej färdtjänst), passagerare' 2 71 ='Lastbil, förare' 0 72 ='Lastbil, passagerare' 0 81 ='Tåg, affärsbiljett eller liknande' 4 82 ='Tåg, Normalbiljett' 4 83 ='Tåg, Lågpris (förköp, helgbiljett eller annan rabatt)' 4 84 ='Tåg, Kort (årskort, månadskort)' 4 85 ='Tåg, okänd betalning' 4 86 ='Tåg, pendeltåg/lokaltåg, ej SL' 4 87 ='Tåg, SL:s pendeltåg och lokaltåg inom Stockholms län' 4 89 ='Tåg, besättningsresa' ='Lokalbuss, regionalbuss' ='Långfärdsbuss' 3 28 (31)

196 RAPPORT Dokumentdatum Ev. diarienummer ='Charterbuss' ='Annan buss' ='Buss, okänd typ' ='Flyg, business class, 1:a klass' ='Flyg, turistklass, ekonomiklass' ='Flyg, annat' ='Flyg, okänd klass' ='Flyg, besättningsresa' ='Personbil, förare' ='Personbil, förare' ='Personbil, förare' ='Lånad bil, förare' ='Hyrd bil, förare' ='Medpassagerares bil, förare' ='Annan bil, förare' ='Arbetsgivares bil, förare' ='Personbil, förare. Ägandeform okänd' ='Bil, förare & passagerare' ='Personbil, passagerare' ='Personbil, passagerare' ='Personbil, passagerare' ='Lånad bil, passagerare' ='Hyrd bil, passagerare' ='Medpassagerares bil, passagerare' ='Annan bil, passagerare' ='Arbetsgivares bil, passagerare' ='Personbil, passagerare. Ägandeform okänd' ='Annat färdsätt' 7 Taxiresor behandlas således som bilpassagerare. 29 (31)

197 RAPPORT Dokumentdatum Ev. diarienummer Appendix 2 Ärendeaggregering Följande aggregering har gjorts: Ärendenummer i Ärende Ingående ärenden, omskattningen RVU-nummer 1 Arbete 2 2 Skola 3,5 3 Tjänste 4 5 Service 9,10,12 6 Hälsa 8 7 Barntillsyn 11,20 8 Släkt o vänner 14 9 Rekreation 15,16,17,18,19,21,22 10 Skjutsa Dagligvaruinköp 6 13 Sällanvaruinköp 7 99 Övrigt 25 RVU-kod Ärendebeskrivning Aggregerad indelning 2 ='Bostad-arbete' 1 3 ='Bostad-skola' 2 4 ='Ärende i tjänsten' 3 5 ='Ärende i studierna' 2 6 ='Inköp av dagligvaror' 12 7 ='Övriga inköp' 13 8 ='Hälso- och sjukvård' 6 9 ='Post- eller bankärende' 5 10 ='Bokning av biljetter/tider' 5 11 ='Barntillsyn (hämta/lämna)' 7 12 ='Annan service' 5 13 ='Skjutsa(följa)/hämta annan person' ='Släkt och vänner' 8 15 ='Hobbies,musikutövning,studiecirkel,kurs' 9 16 ='Restaurang,cafe' 9 17 ='Motion och friluftsliv, t ex idrott, promenad etc' 9 18 ='Underhållning och kultur, fest, koncert, bio etc' 9 19 ='Föreningsliv, religionsutövning' 9 20 ='Delta i eller följa med vid barns fritidsaktivitet' 7 21 ='(Annan) semesterresa' 9 22 ='Annan fritidsaktivitet' 9 25 ='Annat ärende' ='Yrkesmässig trafik på väg' (31)

198 RAPPORT Dokumentdatum Ev. diarienummer Appendix 3 Näringsgrensindelning Utdrag ur SCB s rapport MIS jämförelse på avdelningsnivå 31 (31)